金山集团 AI Lab 组队参加了 AI Challenger 2018 全球挑战赛的英中机器翻译项目，并且获得冠军。
AI Challenger 2018 主题为"用 AI 挑战真实世界的问题"，是目前国内规模最大的科研数据集平台、最大非商业化竞赛平台，最关注前沿科研与产业实践相结合的数据集和竞赛平台，也是 2018 年度中国超高水准的 AI 竞赛。本次比赛使用的数据总量达到 1300 万句对，其中具有上下文情景的中英双语数据达到 300 万句对，相比去年大幅扩容。
在此，参赛团队就技术和经验做一些分享，希望对大家有帮助。
工具介绍
机器翻译的开源库很多，比如 OpenNMT、FairSeq 和 tensor2tensor 等，我们主要是基于 tensor2tensor 等工具库进行的程序实现。它是 Google 基于 TensorFlow 开发的高级库，内置了许多经典模型，开发调试比较方便。
我们使用了 3 台 V100 GPU 服务器及 1 台 32 核的 CPU 服务器作为主要的实验设备。
我们选用 Transformer 模型作为我们的 baseline 模型。
数据清洗
优质的数据不管在哪个领域下都是有益的。对于一个任务来说，我们首先要进行的就是数据的分析及清洗。数据清洗的一个通常操作就是去除重复数据，原始语料中存在着 6.56% 的重复，共约 90w 个样本，对这些样本我们进行了去重操作，一般直接删去即可。
另外我们对源句子与目标句子长度比例进行了检测，当长度比超过一定的阈值时我们就将对应的平行语句对进行删除。
同时我们还注意到有一部分语料存在着对齐错误，对此我们使用了 giza++ 对训练数据进行了对齐并获得一份双语词典。使用获得的双语词典我们就可以对平行语料进行漏翻检测，通常我们会对语料的漏翻程度进行打分，分值超过一定阈值时，我们就会删除对应的语料。
下表可以看到，分值越低，删除的语料越多，结果有了些许提升。
数据增广
在本次比赛中，我们使用了两种数据增广手段，分别是回译和交换。
NMT 中用回译的方法扩充语料是常用的数据增广技术，见 Facebook 在 WMT18 英译德的冠军论文 Understanding Back-Translation at Scale [1]。在该论文中，仅依靠回译生成的语料做数据增广就能将 BLEU 提高 1 至 2 个点。
在回译时，我们基于现有语料训练了一个从目标语言到源语言（中翻英）的翻译模型。将目标语言语料输入该模型就能获得对应的源语言语料，将二者结合后就得到了新的平行语料。当然，在 Facebook 的论文中，他们使用了 226M 的单语语料去生成数据。
本次比赛不允许使用外部数据，所以我们直接使用原始预料中的中文部分进行生成。但是，这种方法会存在一个问题，就是新的平行语料与原始语料可能存在重复。针对这个问题，我们在解码端加入了一定的随机噪声，从而避免了这种情况。
我们还使用了交换的方法，将原始语料中的英文语料的相邻的词都交换了一遍。其实，把交换作为数据增广的手段有些牵强。交换的实际目的是为了增强模型的抗噪能力，但是我们还是通过交换语料的语序扩充了实验数据，所以把它算作数据增广的一种手段。
从表格中可以看到两种方法单独使用时都有了一定的提升，说明数据增广技术还是有一定效果的。
但是需要注意的就是两种方法同时使用时效果会有一些下降。
模型改进
获得语料后，我们就开始尝试在模型层面进行一些改进。
在分词实验时，我们共使用了三种分词方法，分别是 tensor2tensor 中默认的分词方式，还有基于 character 级别的分词和使用 SentencePiece 的分词，后两种分词方法较第一种均有 1 个 bleu 值的提升。
我们还使用了 relative transformer，这个模型在 transformer_big 参数条件下提升了 0.3 个 bleu 值。模型细节详见 Self-Attention with Relative Position Representations [2]。
基于 transformer，我们提出了一种新的模型结构，叫做 layer-attention。
▲ 模型结构图
该模型，在 transformer_big 参数下，在 newstest2014_ende 上面提升了 0.9 个 bleu 值。上图为原始的 transformer，从图中我们可以看到 transformer 是将 encoder 端最后一层的信息直接输出给 decoder 端。
而我们的改进，是将 encoder 端所有层的输出进行了加权求和，然后将求和后得到的结果输入到 decoder 端中。因为时间原因，我们并没有在本次比赛的测试集数据上单独测试该模型的效果，而是将其使用在了最后的 rerank 中。
另外，在本次比赛给出的数据集中，约有 300w 的语料包含上下文信息，为了使用这些信息，我们使用了一种可以将上下文信息引入的模型叫做 contextual trasformer，模型结构见下图。
具体细节及实验设置见论文 Improving the Transformer Translation Model with Document-Level Context [3]。该模型在 transformer_base 条件下有了 0.5 个 bleu 的提升。
Contextual Transformer 就是在原始 transformer 的基础上引入了额外的 context encoder，并且在 transformer 的 encoder 和 decoder 端加入了 Context Attention 层。
这种结构增加了模型捕捉上下文信息的能力，并且因为依旧使用的 multihead 并行计算，所以训练和解码速度并没有下降很多。
Finetune
finetune 就是使用少量的语料进行预训练模型的微调。如果使用过预训练的语言模型（如 ELMo，GPT 或 BERT），那么对于 finetune 就不会陌生。本次比赛中，我们使用与测试语句相似的句子作为 finetune 语料，在现有模型基础上进行微调。
我们对测试语料与训练语料进行了相似度打分并排序，从中选取出了与每句测试语句相似度最高的训练语料作为最终的 finetune 语料。
从表格的第一行我们可以看到，测试语句中 Send them to these foreign places” 与微调语料 a1 只有最后的符号不同。而第二行中的测试语句 the necessary excitation, even using crude natural crystals. 为两个微调语料 b1 和 b2 的结合。
经过这样的 fineune 训练后，我们的模型对于测试集的数据势必有所倾向。finetune 后的翻译表现也验证了我们的猜想。
从表格中第一行可以发现，Her secret is putting butter under the skin. 这句话的正确意思是她的秘诀是在鸡皮下面抹黄油。但是在微调前，我们得到的释义是她的秘诀是把黄油涂在皮肤上。而在 finetune 后我们得到了正确的释义把黄油粘在鸡皮上。这也说明 finetune 可以帮助我们获得了一些词在某些语境下的正确释义。
而第二行中，方括号内的语句 [Woman On P. A.]，在 finetune 前并没有被翻译，但是经过 finetune 后可以看到我们获得了该句的翻译，[P.A.上的女人] ，可见 finetune 也可以帮助我们降低漏翻的概率。
Rerank
通过前面介绍的不同方法和尝试，我们获得了很多不同的模型。这些模型有的训练数据集不同，有的分词方式不同，有的模型结构不同，有的还进行了 finetune。我们将这些模型都做保留，目的就是为了保持不同模型的差异性，用于进行后续的 rerank 实验。
在我们得到的所有结果中，他们的分值表现各不相同，但是势必会存在这样一种情况，BLEU 值较高的结果文件中也会出现翻译不好的语句，而 BLEU 值较低的文件中同样也会出现翻译比较好的语句。
我们的目标就是将尽可能多的的翻译较好的语句筛选出来，组成最终的结果。为此我们进行了一些尝试。
我们将解码时返回的 beam_score 作为排序分值依据，但是不同的模型有不同的表现，所以就很难在统一的度量下进行排序。所以针对不同的模型我们引入了不同的权重。使用 beam_score×weight 作为每个翻译结果的最终分值，通过筛选获得了最终的结果。
因此，如何去获得准确的权重成为了一个问题。我们首先通过人工调整尝试性地给出了一份权重值，但是显然，对于 16 个模型来说，仅依靠人工调参无法遍历整个权重参数搜索空间。于是我们想到了贝叶斯调参。我们使用贝叶斯调参搜索出了一些权重参数，但是相较我们手动调整的参数提升并不是很大。
于是我们提出了一种新的随机参数搜索方案，如下图所示。我们首先给出权重参数 U 和随机搜索参数 P，然后使用 U 获得了结果文件 Y。基于 U 和 P 通过随机搜索函数获得了新的参数 U’，基于 U’ 获得了新的结果文件 Y’，比较 Y 和 Y’ 的分值情况，我们选择保留最好结果所对应的权重参数。
我们最后选用在验证集上表现最好的参数，使用在了测试集上。
下图为最终的结果从各个模型中抽取的数量分布，从图中可以看到 valid，testA，testB 抽取的分布是大致一样的，这也证明了我们 rerank 方法是稳定且有效的。
从图中我们还发现主要从 3 个模型中进行了抽取，分别是基于 Character 级别的，基于 context，基于 SentencePiece 和 finetune 的。
从抽取分布图可以看出，从 finetune 的模型中抽取的数据并没有想象的那么多，对此我们进行了另外的尝试。我们利用投票机制，首先使用 finetune 的模型进行投票，将 finetune 模型中大部分相同的语句直接抽取出来作为最终的结果，剩余的结果依旧使用随机参数搜索方案进行抽取。
此外除却上面的 beam_score * weights 方案，我们还尝试使用语言模型对翻译的句子进行打分，然后选取分值最高的句子。但是该方法效果略差于前两者，所以最终我们选择使用第一种方案，即按照 beam_score * weights 作为最终的排序依据。
结语
金山集团 AI Lab 组建只有不到两年，是一只年轻的队伍，我们会持续在机器翻译等领域深入研究，希望对 AI 业界有所贡献。
参考文献
[1] Sergey Edunov, Myle Ott, Michael Auli, David Grangier. Understanding Back-Translation at Scale. EMNLP 2018.
[2] Peter Shaw, Jakob Uszkoreit, Ashish Vaswani. Self-Attention with Relative Position Representations. NAACL 2018.
[3] Jiacheng Zhang, Huanbo Luan, Maosong Sun, FeiFei Zhai, Jingfang Xu, Min Zhang, Yang Liu. Improving the Transformer Translation Model with Document-Level Context. EMNLP 2018.
