点击上方，选择星标或置顶，每天给你送干货
！
阅读大概需要1分钟

跟随小博主，每天进步一丢丢
张梅山教授个人主页：
http://zhangmeishan.github.io/
论文地址：
https://arxiv.org/pdf/1905.02878.pdf
这是我小导师今年的一篇论文，最近刚好有时间，就来简单分享下。
论文概括：
将训练好的句法分析模型的隐层，融入到经典的seq2seq NMT模型当中，使模型获得句法信息，来得到更好的翻译效果。解决了之前融入句法信息的方法：Tree RNN模型和Tree Linearization模型的错误传播的问题。
简单概括
这个是由两部分组成，可以看做是parser和seq2seq NMT联合模型（joint model）。
其中左边的是用随机选择50k Chinese Treebank 7.0在SOTA模型biaffine parser上训练好的模型，其中包括encoder和decoder。这里主要用的是encoder输入的隐层。
比如一个句子的依存树，长这个样子：
输入一句话，通过训练好的parser模型，得到encoder的隐层：
这里的O1-O6就是要输入到右边的NMT模型当中的隐层。
右边就是经典的seq2seq NMT模型。
encoder：
decoder：
这两个模型相连是通过一个映射单元projection来连接的：
这个O就是上面encoder的每个输出，通过这样一个线性变化（映射），和输入的embedding concat到一起作为NMT的encoder的输入。
模型就是大概这个样子！
使用parser隐层的原因？
是这个样子的，以前融入句法信息用的具体的依存树，类似下面这个：
而这个依存树是由parser解析出来的。这样会有两个问题：

1. 解析出来的树一般不是100%正确的，会带来错误传播问题。
2. 依存树只能表示一些信息，还有一些信息还在隐层里没有表示出来，所以直接用依存树会缺失一些或许必要的信息。
使用parser的隐层，恰恰解决了上述两个问题。

而用对于具体的依存树，之前用的融入方法就是Tree RNN或Tree Linearization。
这里提一下，Tree RNN很不容易并行化，做batch会很慢很慢，当初我打算把句法信息融入到法律文本里做预测，就用了依存树，方法是Tree LSTM，训练了一天，跑了一轮，速度降低了30倍。。哈哈哈。。额。。
实验分析
其中，baseline就是经典的seq2seqNMT，也就是该论文模型的右半部分。SAWR（syntax-aware word representations）就是该论文模型的名称 .可以看出，效果还是提升的很明显哒！
因为左边是训练好的模型，所以，可以试试finetune与否的效果：
可以看出，不finetune的效果更好，分析的原因是：
finetune可能导致parser 的encoder不再单纯存依存句法信息，而重复学到右边模型该学的机翻信息。
和其他模型相比，该模型更能很好地学到词与词直接的信息，比如上面。
前天的一篇解析论文：
【一分钟论文】轻松解读Semi-supervised Sequence Learning半监督序列学习
就到这里吧，该睡啦！
写作不易，还望给个在看！
今天留言内容为：
【day n】今天我学到了什么或者今天打算学什么。
（至少10个字，越详细越好）
督促自己，每天进步一丢丢！
推荐阅读：
一大批历史精彩文章啦
详解Transition-based Dependency parser基于转移的依存句法解析器
干货 | 找工作的经验总结（一）
经验 | 初入NLP领域的一些小建议
学术 | 如何写一篇合格的NLP论文
干货 | 那些高产的学者都是怎样工作的？
是时候研读一波导师的论文--一个简单有效的联合模型
近年来NLP在法律领域的相关研究工作
继续阅读
阅读原文