合并分支 'caorunzhe' 到 'master'

Caorunzhe

查看合并请求 !548

Chapter10/chapter10.tex

@@ -376,7 +376,7 @@ NMT                     & 21.7          & 18.7           & -13.7      \\
 %    NEW SECTION   10.3
 %----------------------------------------------------------------------------------------
 \sectionnewpage
-\section{基于循环神经网络的翻译模型}
+\section{基于循环神经网络的模型}
 
 \parinterval 早期神经机器翻译的进展主要来自两个方面：1）使用循环神经网络对单词序列进行建模；2）注意力机制的使用。表\ref{tab:10-6}列出了2013-2015年间有代表性的部分研究工作。从这些工作的内容上看，当时的研究重点还是如何有效地使用循环神经网络进行翻译建模以及使用注意力机制捕捉双语单词序列间的对应关系。
 

Chapter11/chapter11.tex

@@ -231,7 +231,7 @@
 %    NEW SECTION
 %----------------------------------------------------------------------------------------
 
-\section{基于卷积神经网络的机器翻译模型}
+\section{基于卷积神经网络的模型}
 
 \parinterval 正如之前所讲，卷积神经网络可以用于序列建模，同时具有并行性高和易于学习的特点，一个很自然的想法就是将其用作神经机器翻译模型中的特征提取器。因此，在神经机器翻译被提出之初，研究人员就已经开始利用卷积神经网络对句子进行特征提取。比较经典的模型是使用卷积神经网络作为源语言句子的编码器，使用循环神经网络作为目标语译文生成的解码器\upcite{kalchbrenner-blunsom-2013-recurrent,Gehring2017ACE}。之后也有研究人员提出完全基于卷积神经网络的翻译模型（ConvS2S）\upcite{DBLP:journals/corr/GehringAGYD17}，或者针对卷积层进行改进，提出效率更高、性能更好的模型\upcite{Kaiser2018DepthwiseSC,Wu2019PayLA}。本节将基于ConvS2S模型，阐述如何使用卷积神经网络搭建端到端神经机器翻译模型。
 

Chapter6/chapter6.tex

@@ -32,7 +32,7 @@
 %----------------------------------------------------------------------------------------
 
 \sectionnewpage
-\section{基于扭曲度的翻译模型}
+\section{基于扭曲度的模型}
 
 下面将介绍扭曲度在机器翻译中的定义及使用方法。这也带来了两个新的翻译模型\ \dash\ IBM模型2\upcite{DBLP:journals/coling/BrownPPM94}和HMM翻译模型\upcite{vogel1996hmm}。
 
@@ -161,7 +161,7 @@
 %----------------------------------------------------------------------------------------
 
 \sectionnewpage
-\section{基于繁衍率的翻译模型}
+\section{基于繁衍率的模型}
 
 下面介绍翻译中的一对多问题，以及这个问题所带来的句子长度预测问题。