2013年来，随着深度学习的研究取得较大进展，基于人工神经网络的机器翻译（ Neural Machine Translation ）逐渐兴起。其技术核心是一个拥有海量结点（神经元）的深度神经网络，可以自动的从语料库中学习翻译知识。一种语言的句子被向量化之后，在网络中层层传递，转化为计算机可以“理解”的表示形式，再经过多层复杂的传导运算，生成另一种语言的译文。实现了 “理解语言，生成译文”的翻译方式。这种翻译方法最大的优势在于译文流畅，更加符合语法规范，容易理解。相比之前的翻译技术，质量有“跃进式”的提升。

目前，广泛应用于机器翻译的是长短时记忆（LSTM,Long Short-TermMemory）循环神经网络（RNN,Recurrent Neural Network）。该模型擅长对自然语言建模，把任意长度的句子转化为特定维度的浮点数向量，同时“记住”句子中比较重要的单词，让“记忆”保存比较长的时间。该模型很好地解决了自然语言句子向量化的难题，对利用计算机来处理自然语言来说具有非常重要的意义，使得计算机对语言的处理不再停留在简单的字面匹配层面，而是进一步深入到语义理解的层面。

代表性的研究机构和公司包括，加拿大蒙特利尔大学的机器学习实验室，发布了开源的基于神经网络的机器翻译系统GroundHog。2015年，百度发布了融合统计和深度学习方法的在线翻译系统，Google也在此方面开展了深入研究。

:。

,scopeofapplication,,,andotherissues。 。

另一种翻译：Conten :。 ,theapplicablescope,',,,。

'。

谷歌的神经网络翻译（GNMT）的性能与传统的基于词组的翻译（PBMT）相比，的确有了显著的提高。在不同的语言对上，GNMT把PBMT与人工翻译的鸿沟缩小了 58% ~ 87%，在某些语言对上可以说接近了人工翻译的水平。

但是，说GNMT将取代人工翻译，还为时尚早。GNMT仍然时不时地会犯一些很傻的错误，论文的最后一页列举了一些，机智的网友们也发现了不少。实际场合的翻译，尤其是书面翻译，对这样的错误容忍度很低。

GNMT的贡献主要还是在不为用户所了解的技术方面。神经网络翻译与PBMT相比，模型「清爽」了许多，一个神经网络搞定一切，只是一直以来在性能和速度方面比不上PBMT。GNMT把神经网络翻译在性能和速度方面的潜力发挥了出来，我觉得神经网络翻译在不久的将来将成为主流。

机器翻译（machine translation），又称机译（MT），是利用计算机把一种自然语言转变成另一种自然语言的过程。

用以完成这一过程的软件叫做机器翻译系统。 世界上许多国家长期以来都一直在从事这项研究。

事实上自本世纪40年代电子计算机诞生之日起就开始了将计算机应用于语言翻译的探索。我国机器翻译的研究可以追溯到50年代中期。

今年是我国第一次机器翻译试验成功演示的40周年。40年前的那次试验虽然规模不大，但是在当时已经是世界水平了。

当时世界上能进行这样试验的国家实在是屈指可数。半个世纪以来，世界范围和我国的机译研究都曾走过一段曲折的道路，都有过60年代中期以后约10年的停滞或沉寂，不过原因不尽相同。

国外主要是受了美国曾专门组织的一个机构于1966年发表的机译界无人不晓的ALPAC报告的影响，纷纷停止了对机器翻译研究的经费支持。ALPAC报告主要说的是：经过调查，机器翻译速度慢，准确率差，比人工翻译费用高得多，在近期或可以预见的未来，开发出实用的机器翻译系统是没有指望的。

这个报告后来虽曾受到许多严肃的批评，认为它是带有严重偏见的，但它还是对机器翻译研究造成了很大的损害。直到70年代中期机器翻译才开始在世界范围内复苏并日趋走向兴旺。

日本却是极少数未受世界范围的停滞影响的国家。80年代初日本几乎所有的大计算机公司都进行机器翻译系统的研究和开发，如富士通、日立、日本电气、东芝、夏普等。

日本在推动机器翻译研究方面的贡献为世界所公认。在它的倡导下，于1987年在日本箱根举行了第一届机器翻译峰会（MT Summit），并决定以后每两年轮流在亚、欧、美定期举行。

不久又相继成立了亚太机器翻译协会，欧洲机器翻译协会，北美机器翻译协会，以及国际机器翻译协会，还定期出版了《机器翻译通讯》。今年九月在新加坡举行了第七届峰会，它也是本世纪的最后一次峰会，其主题是"迎接新世纪翻译的机器翻译"。

我国有代表应邀在"世界各地机译进展"的主题研讨会上介绍了我国的机器翻译研究和开发的现状，还有代表应邀参加了经费投资的主题研讨会并介绍了我国各种渠道对机器翻译研究的投资状况。笔者应邀在会前的学术研讨会上做了题为《英汉/汉英机器翻译的过去、现在和未来》的报告。

如今机器翻译对于许多人来说应该已经不是很陌生的的词儿了。今天我们可以在软件商店买到形形色色的PC机译软件，各种语言对的，如英文到中文的，中文到英文的，或者日文到中文的，甚至也有英文到日文的等等，还有什么家庭版的，专业版的，配带各种不同专业词典可供选择的等等。

据估计，世界上目前市场上有1000多种不同的机器翻译软件在销售，我国具有一定规模的PC机器翻译软件也有近20种。在世界范围内PC机译软件的价格都不贵，而且价格还在不断地下降。

现在我们甚至可以在网上免费享用翻译系统的服务。因此现在用户已有较大的选择余地。

当然一个用户在选择机译系统时，应该首先很好地弄清自己的需求。具体来说，我们有如下的建议。

第一，如果你的翻译任务是较稳定的或长期的，专业单一的，翻译结果要达到出版水平的，你可能是一个翻译公司、或一个专业情报所，那么你可以选择配有大规模相应领域的专业词典的，并且又经得起大批量、长时间翻译运行的（有的系统会死机的）系统。同时更理想的是你还可以再配备一个"翻译记忆"系统，它可以帮助你处理文本格式问题（如字体、图表、脚注等），而且可以把你经过修改的正确译文保存起来供以后翻译时再利用。

第二，如果你的翻译任务是临时性的，专业不单一，翻译质量要求无须达到出版水平的，那么你可以选择配有多个领域的专业词典的，但还是应经得起大批量、长时间翻译运行的系统。 第三，如果你是为了浏览网上信息要用到翻译，那么你一定要选择可以在网上运行的系统。

如果你的外语水平还可以但词汇量有限，那么还可以选择一种只有大规模词典但可随点随译的系统。 今天机器翻译比起10年前，可以说相当繁荣。

但是我们愿意提醒，在这繁荣的后面，却存在着危机。前面说到那个ALPAC报告曾给机器翻译带来的创伤如今似乎已被抚平了。

但实际上它的阴影始终会时不时地再出现在机译研究者的头上。如今随着有越来越多的机译系统走向市场，政府的投资者感到在这种情况下如果还要投资攻关似乎有点名不正言不顺了。

而商家则只是想现在该是把现成的技术包装包装就可以赚钱的时候了。经常会听到老板们会这样问研究者，"你估计开发出产品要多长时间？你的系统正确率如何？"，大概没有一个研究者会回答说，将来"正确率大约在百分之五十左右"的。

如果果真那样回答，那么他的项目还不当场就被"枪毙"了。可是现有的机译系统（不仅是英汉或汉英，国外的其他语言对的系统）在面对真实文本时，其正确率实际上有多少呢？机译的译文质量确实还远不能令人满意。

近来国外有些人挖苦地说"MT，不是machine translation的缩写，而是mad translation （疯子的翻译）的缩写。他们是近乎要跟机译来番决战似的。

他们劝说人们不要购买机译系统，要翻译。

Across language barriers between people of different languages to achieve the free flow of human dream since ancient times. Machine translation of theory study aimed at using computer as a tool to deal with intelligence, natural language between dissimilar to achieve the automatic translation process, its technical and social significance are very far-reaching significance.

However, due to the natural language of its own complexity, until today's machine translation research is still faced with great difficulties. In addition to the ambiguous terms variability and change mapping, the structure of ambiguity has been the study of machine translation of one of the major difficulties. This is because a variety of methods of machine translation, whether it is based on the knowledge or experience-based, more or less dependent on the structure of the language source of information to mark the completion of the conversion of language generation.

The basic idea is to model analysis and translation of the necessary disambiguation most of the information comes from the analysis of technology-based E. Chunk collection of the best search strategy. This model in the Chinese translation of the legal text of the automatic translation of the initial application has been made more satisfied with the results.

Key words natural language processing-driven structure of the semantic disambiguation Machine Translation

Knowledge Acquisition

如何开启深度学习之旅？这三大类125篇论文为你导航（附资源下载） 如果你现在还是个深度学习的新手，那么你问的第一个问题可能是「我应该从哪篇文章开始读呢？在 G上，s准备了一套深度学习阅读清单，而且这份清单在随时更新。

项目地址： 这份清单依照下述 4 条原则建立： 从整体轮廓到细节 从过去到当代 从一般到具体领域 聚焦当下最先进技术 你会发现很多非常新但很值得一读的论文。这份清单我会持续更新。

1、深度学习的历史与基础知识 1.0 书籍 [0] Bengio, Yoshua, Ian J. Goodfellow, and Aaron Courville. 深度学习（Deep learning）, An MIT Press book. (2015). （这是深度学习领域的圣经，你可以在读此书的同时阅读下面的论文）。 1.1 调查类： [1] LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. 深度学习 （Deep learning）, Nature 521.7553 (2015): 436-444. （深度学习三位大牛对各种学习模型的评价） 1.2 深度信念网络（DBN）（深度学习前夜的里程碑） [2] Hinton, Geoffrey E., Simon Osindero, and Yee-Whye Teh. 一个关于深度信念网络的快速学习算法（A fast learning algorithm for deep belief nets）， （深度学习的前夜） [3] Hinton, Geoffrey E., and Ruslan R. Salakhutdinov. 使用神经网络降低数据的维度（Reducing the dimensionality of data with neural networks）， （里程碑式的论文，展示了深度学习的可靠性） 1.3 ImageNet 的演化（深度学习从这里开始） [4] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. 使用深度卷积神经网络进行 ImageNet 分类任务（Imagenet classification with deep convolutional neural networks）(AlexNet， 深度学习的突破) [5] Simonyan, Karen, and Andrew Zisserman. 针对大尺度图像识别工作的的超深卷积网络（Very deep convolutional networks for large-scale image recognition） (VGGNet， 神经网络开始变得非常深！) [6] Szegedy, Christian, et al. 更深的卷积（Going deeper with convolutions）(GoogLeNet) [7] He, Kaiming, et al. 图像识别的深度残差学习（Deep residual learning for image recognition）(ResNet，超级超级深的深度网络！CVPR--IEEE 国际计算机视觉与模式识别会议-- 最佳论文) 1.4 语音识别的演化 [8] Hinton, Geoffrey, et al. 语音识别中深度神经网络的声学建模（Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups）（语音识别中的突破） [9] Graves, Alex, Abdel-rahman Mohamed, and Geoffrey Hinton. 用深度循环神经网络进行语音识别（Speech recognition with deep recurrent neural networks）(RNN) [10] Graves, Alex, and Navdeep Jaitly. 面向端到端语音识别的循环神经网络（Towards End-To-End Speech Recognition with Recurrent Neural Networks） [11] Sak, Ha?im, et al. 语音识别中快且精准的循环神经网络声学模型（Fast and accurate recurrent neural network acoustic models for speech recognition）（语音识别系统） [12] Amodei, Dario, et al. Deep speech 2：英语和汉语的端到端语音识别（Deep speech 2: End-to-end speech recognition in english and mandarin）（百度语音识别系统） [13] W. Xiong, J. Droppo, X. Huang, F. Seide, M. Seltzer, A. Stolcke, D. Yu, G. Zweig，在对话语音识别中实现人类平等（Achieving Human Parity in Conversational Speech Recognition） 当你读完了上面给出的论文，你会对深度学习历史有一个基本的了解，深度学习建模的基本架构（包括了 CNN,RNN,LSTM）以及深度学习如何可以被应用于图像和语音识别问题。

下面的论文会让你对深度学习方法，不同应用领域中的深度学习技术和其局限有深度认识。 2 深度学习方法 2.1 模型 [14] Hinton, Geoffrey E., et al. 通过避免特征检测器的共适应来改善神经网络（Improving neural networks by preventing co-adaptation of feature detectors）(Dropout) [15] Srivastava, Nitish, et al. Dropout：一种避免神经网络过度拟合的简单方法（Dropout: a simple way to prevent neural networks from overfitting） [16] Ioffe, Sergey, and Christian Szegedy. Batch normalization：通过减少内部协变量加速深度网络训练（Batch normalization: Accelerating deep network training by reducing internal covariate shift）(2015 年一篇杰出论文) [17] Ba, Jimmy Lei, Jamie Ryan Kiros, and Geoffrey E. Hinton.层归一化（Layer normalization）（批归一化的升级版） [18] Courbariaux, Matthieu, et al. 二值神经网络：训练神经网络的权重和激活约束到正 1 或者负 1(Binarized Neural Networks: Training Neural Networks with Weights and Activations Constrained to+ 1 or?1)（新模型，快） [19] Jaderberg, Max, et al. 使用合成梯度的解耦神经接口（Decoupled neural interfaces using synthetic gradients）（训练方法的发明，令人惊叹的文章） [20] Chen, Tianqi, Ian Goodfellow, and Jonathon Shlens. Net2net：通过知识迁移加速学习（Net2net: Accelerating learning via knowledge transfer） （修改之前的训练网络以减少训练） [21] Wei, 。

善意的谎言本身即是谎言，这一点是无庸质疑的。

谎言，说谎是欺骗，欺骗是不道德的，不道德的事不得人心，这些都是打小师长们就谆谆教诲过。但我们扪心自问，又有谁没有说过谎言呢？无论是对自己的亲人、朋友、还是不相识的人，目的也有很多种，但当我们给谎言加上一个“善意”时，仿佛大家都可能接受了，这正是人性的弱点的集中表现。

马克。吐温曾经说过这样一段话：“当你拿不定主意时，就说实话。

它将令你的对手感到窘困，令你的朋友感到释然。”因此，心理学专家们的观点是：不要轻易扯谎，哪怕是善意的谎言。

我们认为区分事物首先应先从定义入手进行阐述，综合康熙词典的释义，善意的谎言就是不事实求是，说假话、虚话，夸大、掩盖、歪曲事实真相。 从善意的谎言词组结构入手进行分析，其属偏正短语，中心词是谎言，因而善意的谎言本质上就是谎言。

善意的谎言其动机虽然为善意，但因为善意本身存在一定的不确定性，因而屡屡被一些“职业骗子”所利用――这是不争的事实。“谎言”的本身是阴暗的，事物的好恶不由事物的目的去衡量，善意的谎言本身即是假话。

尽管其褪去了丐服穿上了旗袍，可是依然摆脱不了其谎言的本质，而谎言就意味着欺骗，因而就有碍诚信。善意的谎言的出发点是善良的，但是往往这种谎言一旦戳穿，对对方的伤害会更深，作为谎言本身，已是与诚信相悖的行为。

在中共中央公布的《公民道德建设实施纲要》中提出的20字道德规范中，"诚信" 是一个很重要的规范，诚信就是求"真"，就是追求正义。 古人说"真者"，精诚之至也。

不精不诚，不能动人。 正如胡锦涛总书记在讲话中说的：“我们所要建设的社会主义和谐社会，应该是民主法治、公平正义、诚信友爱、充满活力、安定有序、人与自然和谐相处的社会。”

通过上述多方面的分析，我们认为无论谎言是否处于好的目的，作为谎言必然会有碍于诚信 大家好！我非常遗憾地告诉对方辩友，你们并没有对善意谎言作出一个本质的解释。 你们所说得都只是浅层理解！ 我们知道，人们身处在这个社会，背负着许许多多的义务，而义务与义务之间有时候是会存在矛盾的，当一个义务凌驾于另一个义务之上时，就要缓解另一个义务。

因此，善意的谎言的本质是一种更紧迫更重要的义务要实施，而以缓解诚信义务为代价。 对方辩友刚才立论的时候也举了一些例子，说明了善意谎言的一些效用和好处，我们也肯定这些效用和好处，我们也肯定你们刚才所举的善意谎言的例子本身。

但是，你们千万不要忽视，通过善意谎言获得的效用和好处，终究还是要以牺牲诚信为代价的。 相信大家也听说过机会成本吧！就是说，你做了某件事情，就失去了同时做其他事情的机会了。

你要达到善意谎言的效果，就必须牺牲诚信，这就是善意谎言的机会成本！ 此外，现代心理学研究指出，善意谎言分为两个种类：一是客体善意谎言，一是主体善意谎言。 所谓客体善意谎言，是出发点完全为了对方利益的善意谎言，它较多地陈述善意撒谎的客体的情况，例如称赞一个智力低下的小孩说他很聪明，让他得到自信心。

这客体善意谎言破坏诚信比较隐蔽，是一种慢性中毒。 所谓主体善意谎言，是出发点包含维护或牟取自己利益的成分的善意谎言，它较多地陈述善意撒谎的主体的情况。

例如一个小孩子上课没认真听讲，回家后他妈妈问他有没有认真听讲，但他不希望妈妈责备他，也不希望妈妈伤心，因此撒谎说认真听讲了。 这主体善意谎言破坏诚信比较明显，是一种急性中毒。

对方辩友得出善意谎言无碍诚信这个错误认识，无非就是受到客体善意谎言的诚信破坏隐蔽性所影响，你们没有透过现象看本质，没有意识到那是一种慢性中毒。 为什么客体善意谎言是一种慢性中毒呢？该项心理学研究解释说，因为客体善意谎言破坏诚信是不会直接被人们所感知的，而随着时间的推移，它会慢慢地腐蚀人们的诚信系统。

不诚信的理念藏于他们的潜意识，而“为人家好！”这句话就会成为他日后破坏诚信的内心借口。 基于上述理由，我们认为，善意的谎言有碍诚信！ 善意的谎言本身即是谎言，这一点是无庸质疑的。

谎言，说谎是欺骗，欺骗是不道德的，不道德的事不得人心，这些都是打小师长们就谆谆教诲过。 但我们扪心自问，又有谁没有说过谎言呢？无论是对自己的亲人、朋友、还是不相识的人，目的也有很多种，但当我们给谎言加上一个“善意”时，仿佛大家都可能接受了，这正是人性的弱点的集中表现。

马克•吐温曾经说过这样一段话：“当你拿不定主意时，就说实话。 它将令你的对手感到窘困，令你的朋友感到释然。”

因此，心理学专家们的观点是：不要轻易扯谎，哪怕是善意的谎言 请对方辩手注意，您们的辩词存在很大的疏漏.我们认为区分事物首先应先从定义入手进行阐述，综合康熙词典的释义，善意的谎言就是不事实求是，说假话、虚话，夸大、掩盖、歪曲事实真相。 从善意的谎言词组结构入手进行分析，其属偏正短语，中心词是谎言，因而善意的谎言本质上就是谎言。

善意的谎言其动机虽然为善意，但因为善意本身存在一定的不确定性，因而屡屡被一些“职业。

LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。

LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。