答：decoding 的做法是根据每一步来选概率最大的，开始的时候，概率低的那些词语基本上是不会出现在 beam 的 pool 里面的。而当 size 变大时，这些词语就被 cover 在 beam 的 pool 里面了，而如果他们比较早的就到了 eos 的话，整个句子的概率就会相对较大，也就很有可能选择了这样不好的答案。这点应该是和 LL 这个目标是相吻合的，所以也就是倾向于更短的句子这个意思。

问：Lambda 这个参数是 1 是如何确定的？

答：这点其实我觉得是本文可能一个不太严谨的地方，个人觉得应该得试下不同的 lambda，然后给出一个不同 lambda 对于这个问题的结果的影响。我觉得作者应该是尝试了不同的 lambda，然后发现 1 是最好的，所以才这样 report 的。不过也很好奇其他 lambda 的结果，夸张一点说，直播，如果 lambda 大于 1 又会如何呢？其实在一些不同的任务上，lambda 一般是一个 trade-off 的作用，一般应该是 lambda*x + (1-lambda)*y 这样，不过这里不一定是 trade-off，所以就暂且当做同样实验表明 lambda=1 是效果最好的吧。

问： NMT 是如何学习到词与词之间的映射关系？为什么 NMT 能够工作？

答：这个问题。不知道这里提到的词到词的映射是否指的是我理解的 x 中的词要和 y 中的词语一一对应？如果是的话，其实 nmt 本身就没有这个要求，而是强大的 seq2seq 框架，整个 seq2seq 就相当于是两个 language model 的组合（encoder，decoder），那 language model 本身就是可以产生像样的句子。这应该是回到了第二点 nmt 为何 work。那么再看本文，其实这就是一个 autoencoder 的框架，我们如果不看 y 作为单独的词语，而只看 hidden h 的话，那么整体上就是一个 autoencoder。本身其实也不是学习一个词到词的映射，而只是两个 Loglikelihood 的目标。我们从 intuition 的角度理解，他就是希望翻译出来的 y 也能更好的翻译回 x，如果 y 能够翻译回 x，那么整体所包含的语义就是比较丰富的，应该也能表明 encoder 和 decoder 中的 hidden 都有更丰富的信息。这也是这个工作效果为何的确好。

问：Reconstructor 是从翻译过的 y 重新 decoder 回 y，因为 y 有可能翻译的不好，可以理解为 noise，所以像 Denoised Autoencoder —— 如果是这样，是否可以用 DAE 那一套：deep DAE? deep DEA 后是否效果更好 —— 但是这里不是学习，只是验证前面的 seq-to-seq 的效果，所以可以 single layer 就够了。

答：关于 DAE 我没有关注过，所以不是很好回答。但是这篇文章是一个 supervised 训练过程，所以其实不是 sample 或者说翻译出来的 y 来做 reconstructor 的训练，而是用 pair 的 label data y 来做训练的，因此 y 并没有 noise 的这个说法。

　　本文由机器之心转自PaperWeekly，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]