| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 研究现状及趋势 | 第9-11页 |
| 1.3 论文的研究内容 | 第11-12页 |
| 1.4 论文的章节结构 | 第12-13页 |
| 2 相关技术介绍 | 第13-27页 |
| 2.1 统计机器翻译 | 第13-15页 |
| 2.1.1 词对齐 | 第13-14页 |
| 2.1.2 语言模型 | 第14-15页 |
| 2.2 神经机器翻译 | 第15-23页 |
| 2.2.1 深度学习与循环神经网络 | 第15-17页 |
| 2.2.2 LSTM与GRU | 第17-19页 |
| 2.2.3 seq2seq模型 | 第19-21页 |
| 2.2.4 注意力机制 | 第21-23页 |
| 2.3 翻译系统的评估 | 第23-26页 |
| 2.3.1 语言模型评估Perplexity | 第23-24页 |
| 2.3.2 翻译系统评估BLEU | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 数据收集与预处理 | 第27-33页 |
| 3.1 数据集介绍 | 第27-28页 |
| 3.2 数据预处理 | 第28-31页 |
| 3.2.1 数据分析 | 第28-29页 |
| 3.2.2 中文语料预处理 | 第29-31页 |
| 3.2.3 英文语料预处理 | 第31页 |
| 3.3 预训练的词向量 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于改进seq2seq模型的神经机器翻译 | 第33-42页 |
| 4.1 现有模型介绍 | 第33-34页 |
| 4.1.1 基于seq2seq模型的神经机器翻译 | 第33-34页 |
| 4.1.2 基于注意力机制的seq2seq模型的神经机器翻译 | 第34页 |
| 4.2 基于改进seq2seq模型的神经机器翻译 | 第34-40页 |
| 4.2.1 不同的中文文本预处理方法 | 第34-35页 |
| 4.2.2 不同的嵌入层参数初始化方法 | 第35-37页 |
| 4.2.3 转换层 | 第37-40页 |
| 4.3 本章小结 | 第40-42页 |
| 5 实验 | 第42-55页 |
| 5.1 实验设置 | 第42页 |
| 5.2 模型实现与实验结果分析 | 第42-52页 |
| 5.2.1 模型1-基于seq2seq模型的神经机器翻译 | 第43-45页 |
| 5.2.2 模型2-基于注意力机制的seq2seq模型 | 第45-48页 |
| 5.2.3 模型3-不同的中文文本预处理方法 | 第48-49页 |
| 5.2.4 模型4-不同的嵌入层参数初始化方法 | 第49-51页 |
| 5.2.5 模型5-转换层 | 第51-52页 |
| 5.3 实验结论 | 第52-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
