parsing = string-based decoding

Section04-Phrasal-and-Syntactic-Models/section04.tex

@@ -4485,7 +4485,7 @@ NP-BAR(NN$_1$ NP-BAR$_2$) $\to$ NN$_1$ NP-BAR$_2$
 %%%  基于树的解码方法 - 超图
 \begin{frame}{基于树的解码 - 超图}
 \begin{itemize}
-\item 如果源语言输入的是句法树，基于树的解码会找到一个推导覆盖整个句法树，之后输出所对应的目标语词串作为译文
+\item 如果源语言输入的是句法树，\alert{基于树的解码}会找到一个推导覆盖整个句法树，之后输出所对应的目标语词串作为译文
 \item 比如，可以从树的叶子结点开始，找到所有能匹配到这个节点的规则，当所有节点匹配完之后，本质上获得了一个超图
 	\begin{itemize}
 	\item<2-> 图的节点对应一个句法树句法节点
@@ -4808,6 +4808,121 @@ NP-BAR(NN$_1$ NP-BAR$_2$) $\to$ NN$_1$ NP-BAR$_2$
 
 \end{frame}
 
+%%%------------------------------------------------------------------------------------------------------------
+%%%  基于串的解码方法
+\begin{frame}{基于串的解码}
+
+\begin{itemize}
+\item 不同于基于树的解码，\alert{基于串的解码}方法并不要求输入句法树，它直接对输入词串进行翻译，最终得到译文。
+    \begin{itemize}
+    \item 这种方法适用于树到串、串到树、树到树等多种模型
+    \item 本质上，由于并不受固定输入的句法树约束，基于串的解码可以探索更多潜在的树结构，这也增大了搜索空间(相比基于串的解码)，因此该方法更有可能找到高质量翻译结果
+    \end{itemize}
+\item<2-> 在基于串的方法中，句法结构被看做是翻译的隐含变量，而非线性的输入和输出。比如，层次短语翻译解码就是一种典型的基于串的解码方法，所有的翻译推导在翻译过程里动态生成，但是并不要输入或者输出这些推导所对应的层次结构
+\end{itemize}
+
+\visible<2->{
+\begin{center}
+\begin{tikzpicture}
+
+\begin{scope}[scale=0.9,level distance=15pt,sibling distance=0pt]
+
+{\scriptsize
+\Tree[.\node(bsn0){IP};
+          [.\node(bsn1){NP};
+               [.\node(bsn2){NN}; \node(bsw1){猫}; ]
+          ]
+          [.\node(bsn3){VP};
+               [.\node(bsn4){VV}; \node(bsw2){喜欢}; ]
+               [.\node(bsn5){VP}; \edge[roof]; \node(bsw3){吃 \ 鱼}; ]
+          ]
+     ]
+
+\node [anchor=west] (target) at ([xshift=1em]bsw3.east) {Cats like eating fish};
+\node [anchor=north,inner sep=3pt] (cap1) at (target.south west) {(a) 基于树的解码};
+\draw [->,thick] (bsw3.east) -- (target.west);
+\node [anchor=west] (sourcelabel) at ([xshift=2em]bsn0.east) {显式输入的结构};
+
+\node [anchor=west] (source2) at ([xshift=2em]target.east) {猫 喜欢 吃 鱼};
+\node [anchor=west] (target2) at ([xshift=1em]source2.east) {Cats like eating fish};
+\node [anchor=north,inner sep=3pt] (cap2) at (target2.south west) {(b) 基于串的解码};
+\draw [->,thick] (source2.east) -- (target2.west);
+
+\begin{scope}[xshift=2.45in,sibling distance=3pt]
+\Tree[.\node(bsn0){IP};
+          [.\node(bsn1){NP};
+               [.\node(bsn2){NN}; ]
+          ]
+          [.\node(bsn3){VP};
+               [.\node(bsn4){VV}; ]
+               [.\node(bsn5){VP}; ]
+          ]
+     ]
+
+\begin{pgfonlayer}{background}
+\node [draw,dashed,inner sep=2pt] (box) [fit = (bsn0) (bsn1) (bsn2) (bsn3) (bsn4) (bsn5)] {};
+\node [anchor=north west] (boxlabel) at (box.north east) {隐含结构};
+\end{pgfonlayer}
+
+\end{scope}
+
+}
+
+\end{scope}
+
+\end{tikzpicture}
+\end{center}
+}
+
+\end{frame}
+
+%%%------------------------------------------------------------------------------------------------------------
+%%%  基于串的解码方法本质上和句法分析一样
+\begin{frame}{基于串的解码 $\approx$ 句法分析}
+
+\begin{itemize}
+\item 基于串的翻译和传统\alert{句法分析}的任务很像：对于一个输入的词串，找到生成这个词串的最佳推导。唯一不同的地方，在于机器翻译需要考虑译文的生成(语言模型的引入会使问题稍微复杂一些)，但是源语言部分的处理和句法分析一模一样
+\item<2-> 这个过程仍然可以用基于chart的方法实现，即对于每一个源语言片段，都匹配可能的翻译规则，之后填入相应的表格单元，这也构成了一个超图，最佳推导可以从这个超图得到
+\end{itemize}
+
+\visible<2->{
+\begin{center}
+\begin{tikzpicture}
+
+\begin{scope}
+{\scriptsize
+
+\node [anchor=west] (sw1) at (0,0) {阿都拉$_1$};
+\node [anchor=west] (sw2) at ([xshift=0.1em]sw1.east) {对$_2$};
+\node [anchor=west] (sw3) at ([xshift=0.1em]sw2.east) {自己$_3$ 四$_4$\ 个$_5$\ 多$_6$\ 月$_7$\ 以来$_8$\ 的$_9$\ 施政$_{10}$\ 表现$_{11}$};
+\node [anchor=west] (sw4) at ([xshift=0.2em]sw3.east) {感到$_{12}$ 满意$_{13}$};
+
+\begin{pgfonlayer}{background}
+\visible<3->{
+\node [fill=red!20,inner sep=0pt] (box1) [fit = (sw1)] {};
+\node [fill=green!20,inner sep=0pt] (box2) [fit = (sw3)] {};
+\node [fill=orange!20,inner sep=0pt] (box3) [fit = (sw4)] {};
+\node [anchor=south,align=center] (box1label) at (box1.north) {[{\blue 0},{\blue 1}]\\VP};
+\node [anchor=south,align=center] (box2label) at (box2.north) {[{\blue 2},{\blue 11}]\\NP};
+\node [anchor=south,align=center] (box3label) at (box3.north) {[{\blue 11},{\blue 13}]\\VP};
+}
+\end{pgfonlayer}
+
+\draw[decorate,decoration={brace,mirror,,amplitude=3mm}] (sw1.south west) -- (sw4.south east);
+
+\node [anchor=north] (label) at ([yshift=-1em]sw3.south) {在跨度[{\blue 0},{\blue 13}]上进行规则匹配};
+\node [anchor=north] (rule) at ([yshift=-0.3em]label.south) {{\footnotesize 比如：IP({\color{red} NP$_1$} VP(PP(P(对) {\color{ugreen} NP$_2$}) {\color{orange} VP$_3$}))}};
+\node [anchor=north west] (rule2) at ([yshift=0.2em]rule.south west) {{\footnotesize \hspace{2.8em} $\to$ NP$_1$ VP$_3$ with NP$_2$}};
+
+}
+
+\end{scope}
+
+\end{tikzpicture}
+\end{center}
+}
+
+\end{frame}
 
 %%%------------------------------------------------------------------------------------------------------------
 %%%  基于串的解码

Section06-Neural-Machine-Translation/section06.tex

@@ -3997,12 +3997,13 @@ $\textrm{``you''} = \argmax_{y} \textrm{P}(y|\textbf{s}_1, \alert{\textbf{C}})$
 
 \item 通过自注意机制能够直接获取全局信息，不像RNN需要逐步进行信息提取，也不像CNN只能获取局部信息，可以并行化操作，提高训练效率
 
-\item Transformer不仅仅被用于神经机器翻译任务，还广泛用于其他NLP任务、甚至图像处理任务。目前最火的预训练模型Bert也基于Transformer
+\item<2-> Transformer不仅仅被用于神经机器翻译任务，还广泛用于其他NLP任务、甚至图像处理任务。目前最火的预训练模型Bert也基于Transformer
 
 \end{itemize}
 
 \vspace{0em}
 
+\visible<2->{
 {
     \footnotesize
     \begin{center}
@@ -4027,6 +4028,8 @@ $\textrm{``you''} = \argmax_{y} \textrm{P}(y|\textbf{s}_1, \alert{\textbf{C}})$
         \end{tabular}
     \end{center}
 }
+}
+
 \end{frame}
 
 %%%------------------------------------------------------------------------------------------------------------