-

一. 该方法是在模型训练层面解决术语注入的问题。 二. 训练阶段主要是改变数据的处理方式： 1. 原始数据层面（增加注释，0无关，1源语术语，2目标语言术语） 2.bpe层面 将原始数据的注释推广到bpe切分后的token上，eg：如果Stellvertreter_2切分成了a、b,则a_2,b_2。 3.embedding层面 将注释向量和词向量进行拼接。 4. 术语覆盖度问题 为了保证没有包含术语的句子也能正确翻译，限制包含术语的句子在训练语料10%。 5. 术语匹配问题.

一. 1. beam search 每个方框代表一个beam，每个beam内包含beam_size个hypothesis。 2. grid beam search beam的传播空间变成二维：横向表示generate（模型生成hypothesis）或continue（继续增加约束词），斜向表示start（开始增加约束词）。 二. 算法包含三层循环：1.时间步t. 2.约束词数c. 3.当前beam内的hypothesis. 三. hypothesis评分 不同约束数目的beam之