paper來源：arXiv.org
問題：
實驗任務----屬于機器翻譯（NMT）任務秽褒，具體來說砸脊，本paper實驗任務為英語翻譯為法語；
paperwork----在傳統(tǒng)NMT的“seq2seq+attention”的基礎上引入先驗知識/工具改進了decoder的結構，在一定程度上解決大詞表(Large Vocabulary)和OOV（Out Of Vocabulary）問題纽哥；
摘要：
首先逮光，作者使用morphological and grammatical analysis（形態(tài)學與語法分析器）來獲取單詞的因素表示代箭，lemmas, Part of Speech tag, tense, person, gender and number等；
其次涕刚，作者改進了傳統(tǒng)的NMT的decoder嗡综，把輸出由一個變成了兩個，分別表示lemmas和其他的factors杜漠，獨立學習极景，然后重組為word；
由此帶來的好處是驾茴，同樣大的詞表可以表示更多的詞盼樟；再者，它可以生產詞表中不存在的新詞沟涨，減少OOV詞項的出現頻率恤批；
形態(tài)學與語法分析器（本文使用的是MACAON）：
舉例：法語詞devient（對應英文詞becomes）可以表示為devenir和“vP3#s”, devenir為lemma，可以理解為詞根裹赴；“vP3#s”為factors喜庞，可理解為修飾限制詞根的其他因素；v表示verb棋返，P表示Present(時態(tài))延都，3表示3rd person(第三人稱),#表示無關性別，s表示單數睛竣；
網絡結構：
傳統(tǒng)的NMT結構圖：
兩個重要概念：seq2seq晰房，attention
FNMT提出的新的decoder的結構：
P變成獨立的Lemma和factors向量（由此可能會帶來長度差異，最終翻譯結果的長度以lemma長度為準）射沟；
將P層輸入給softmax決定lemma和factor后殊者，再將二者輸送給形態(tài)學分析器來產生word；
(feedback采用的是lemma向量验夯，根據如下實驗效果選擇的)：
實驗結果：
1猖吴，詞表比較大的時候，表現基本持平挥转；詞表縮小的話海蔽，FNMT的表現就要好得多共屈；
2，相同的參數量党窜，FNMT能夠囊括更多的word拗引；
3，在OOV問題的解決上幌衣，FNMT表現更好矾削；
4，最后一列是忽略factor誤差帶來的影響豁护，lemma正確就算正確的結果怔软；
簡評：
1，本文利用先驗知識（詞根+限制條件表示詞匯）給解決大詞表和OOV問題提供了一種思路择镇；
2挡逼，實驗的效果很大一部分依賴于先驗的語態(tài)學分析器的效果，比如目標語言如果是中文或者英文就沒有這樣靠譜的分析器腻豌；
3家坎，如有問題或建議，歡迎留言交流~
