合并分支 'caorunzhe' 到 'master'

Caorunzhe

查看合并请求 !867

Chapter18/Figures/figure-comparison-of-incremental-model-optimization-methods.tex

@@ -7,19 +7,29 @@
 % ,minimum height =1em,minimum width=2em
 \tikzstyle{model} = [draw,black,very thick,inner sep=3.5pt,rounded corners=4pt,fill=blue!20,minimum width=4em,minimum height=1.5em,font=\footnotesize]
 \tikzstyle{data} = [draw,black,very thick,inner sep=3.5pt,rounded corners=4pt,fill=green!20,minimum width=4em,minimum height=1.5em,font=\footnotesize]
+\tikzstyle{data2} = [draw,black,very thick,inner sep=3.5pt,rounded corners=4pt,minimum width=2em,minimum height=1.5em,font=\footnotesize]
+
 \tikzstyle{word} = [inner sep=3.5pt,font=\footnotesize]
 
-\node[data] (old) at (0,0) {旧数据};
-\node[data] (new) at ([xshift=3em]old.east) {新数据};
+\node[data2,fill=green!60] (old) at (0,0) {};
+\node[data2,fill=green!20] (old2) at ([xshift=0.9em]old.east) {};
+\node[word] at (0.1,0.5) {旧数据};
+
+\node[data] (new) at ([xshift=3em]old2.east) {新数据};
 \node[data] (all) at ([xshift=2.55em,yshift=-4em]old.south) {最终数据};
 \node[model] (final_model) at ([xshift=0em,yshift=-4em]all.south) {最终模型};
 
-\draw [->,thick] ([yshift=-0.2em]old.south) .. controls +(south:2.5em) and +(north:2.5em) .. ([xshift=-0.2em,yshift=0.2em]all.north);
+\draw [->,thick] ([yshift=-0.2em]old2.south) .. controls +(south:2.5em) and +(north:2.5em) .. ([xshift=-0.2em,yshift=0.2em]all.north);
 \draw [->,thick] ([yshift=-0.2em]new.south) .. controls +(south:2.5em) and +(north:2.5em) .. ([xshift=0.2em,yshift=0.2em]all.north);
 \draw [->,thick] ([yshift=-0.2em]all.south) -- ([yshift=0.2em]final_model.north)node[pos=0.5,right,align=center,font=\footnotesize] {训练};
 
 \node[word] at ([yshift=-2em]final_model.south){（a）数据混合};
 
+\begin{pgfonlayer}{background}
+\node [rectangle,inner sep=0.5em,rounded corners=1pt,minimum width=4.5em,minimum height=3.2em,draw=red!50,dotted,very thick] at (0.37,0.15) {};
+
+\end{pgfonlayer}
+
 \end{scope}
 \end{tikzpicture}
 &

ChapterAppend/chapterappend.tex

@@ -44,7 +44,7 @@
 \vspace{0.5em}
 \item Joshua。Joshua\upcite{Li2010Joshua}是由约翰霍普金斯大学的语言和语音处理中心开发的层次短语翻译系统。由于Joshua是由Java语言开发，所以它在不同的平台上运行或开发时具有良好的可扩展性和可移植性。Joshua也是使用非常广泛的开源机器翻译系统之一。网址：\url{https://cwiki.apache.org/confluence/display/JOSHUA/}
 \vspace{0.5em}
-\item SilkRoad。SilkRoad是由五个国内机构（中科院计算所、中科院软件所、中科院自动化所、厦门大学和哈尔滨工业大学）联合开发的基于短语的统计机器翻译系统。该系统是中国乃至亚洲地区第一个开源的统计机器翻译系统。SilkRoad支持多种解码器和规则提取模块，这样可以组合成不同的系统，提供多样的选择。网址：\url{http://www.nlp.org.cn/project/project.php?projid=14}
+\item SilkRoad。SilkRoad是由五个国内机构（中科院计算所、中科院软件所、中科院自动化所、厦门大学和哈尔滨工业大学）联合开发的基于短语的统计机器翻译系统。该系统是中国乃至亚洲地区第一个开源的统计机器翻译系统。SilkRoad支持多种解码器和规则提取模块，这样可以组合成不同的系统，提供多样的选择。
 \vspace{0.5em}
 \item SAMT。SAMT\upcite{zollmann2007the}是由卡内基梅隆大学机器翻译团队开发的语法增强的统计机器翻译系统。SAMT在解码的时候使用目标树来生成翻译规则，而不严格遵守目标语言的语法。SAMT 的一个亮点是它提供了简单但高效的方式在机器翻译中使用句法信息。由于SAMT在hadoop中实现，它可受益于大数据集的分布式处理。网址：\url{http://www.cs.cmu.edu/~zollmann/samt/}
 \vspace{0.5em}
@@ -151,11 +151,11 @@
 \begin{tabular}{p{1.6cm} | p{1.2cm} p{1.6cm} p{2.6cm} p{3.9cm}}
 {任务} & {语种} &{领域} &{描述} &{数据集地址} \\
 \hline
-\rule{0pt}{15pt}WMT & En Zh& 新闻、医学 & 以英语为核心的多& {http://www.statmt.org/wmt19/} \\
- & De Ru等 & 、翻译 & 语种机器翻译数据 & \\
+\rule{0pt}{15pt}WMT & En-Zh& 新闻、医学 & 以英语为核心的多& {http://www.statmt.org/wmt19/} \\
+ & En-De等 & 、翻译 & 语种机器翻译数据 & \\
  & & & 集，涉及多种任务 & \\
-\rule{0pt}{15pt}IWSLT & En De Fr & 口语翻译 & 文本翻译数据集来 & {https://wit3.fbk.eu/} \\
- &  Cs Zh等 &  &自TED演讲，数 & \\
+\rule{0pt}{15pt}IWSLT & En-De& 口语翻译 & 文本翻译数据集来 & {https://wit3.fbk.eu/} \\
+ &  En-Zh等 &  &自TED演讲，数 & \\
  &  &  & 据规模较小 & \\
 \rule{0pt}{15pt}NIST & Zh-En等 & 新闻翻译 & 评测集包括4句参 & {https://www.ldc.upenn.edu/coll} \\
  &  Cs Zh等 &  & 考译文，质量较高 & aborations/evaluations/nist \\