---
title: "神經機器翻譯（Neural Machine Translation）"
slug: neural-machine-translation
language: zh-TW
source: https://aiterms.tw/terms/neural-machine-translation
updated_at: 2026-07-29
tags: [自然語言處理, AI應用, 深度學習]
ipas_term: false
---

# 神經機器翻譯（Neural Machine Translation）

使用深度神經網路進行端到端機器翻譯的技術，相比傳統統計方法質量顯著提升。

## 完整說明

神經機器翻譯（Neural Machine Translation, NMT）是機器翻譯的現代方法，使用深度神經網路以端到端的方式學習源語言到目標語言的映射。不同於傳統統計機器翻譯需要多個獨立模組（詞對齊、短語提取、語言模型），NMT 用單一神經網路在源文本和目文本間建立直接映射。Transformer 架構的出現進一步推動了 NMT 質量的飛躍，現已成為業界標準。

## 常見問題

### Transformer 架構如何改進了神經機器翻譯？

傳統 LSTM-NMT 模型存在幾個限制：1) 遞歸計算無法並行化，訓練緩慢；2) 長句子容易出現梯度消失，難以捕捉遠距離依賴；3) 單一上下文向量是瓶頸，難以對齐複雜句子。Transformer 架構通過多頭注意機制解決這些問題：1) 純注意機制支援完全並行化，訓練 10 倍加速；2) 注意機制能直接建立遠距離依賴；3) 多頭注意同時學習多個對齐模式；4) 位置編碼保留詞序信息，無需遞歸。結果是翻譯質量和訓練效率大幅提升，BLEU 分數通常提高 2-4 點。Transformer 因此成為現代 NMT 的標準架構。

### 如何改善罕見詞和詞外詞的翻譯？

罕見詞和未見詞（OOV）翻譯是 NMT 的難點。策略包括：1) 子詞分割（Byte-Pair Encoding, BPE；SentencePiece），將詞分解為常見子單元，減少 OOV；2) 字符級模型，處理詞級模型無法覆蓋的新詞；3) 複制機制（Copy Mechanism），允許模型直接複製源詞（常用於人名、地名）；4) 外部詞典和回譯，融合知識；5) 多模型融合，結合 NMT 和基於短語的後編輯。實踐中，BPE 的組合分割粒度選擇關鍵，太細導致序列長，太粗降低靈活性。子詞分割方法成為主流，大幅減少了 OOV 問題。

### 神經機器翻譯如何應用於低資源語言對？

低資源語言對（如克里奧爾語-英文）平行語料稀缺，直接訓練 NMT 效果差。應對方法包括：1) 遷移學習，用高資源語言對（如英-法）預訓練，再微調低資源對；2) 多語言 NMT，用多個語言對共同訓練單一模型，語言間知識遷移；3) 回譯，用反向 NMT 生成合成訓練數據，即使反向模型質量一般，合成數據也能改進；4) 樞紐語言方法，利用中介高資源語言（如英文）進行橋接；5) 字符級或子詞級建模，減少稀缺詞問題；6) 眾包或弱監督，利用社群或不完美數據；7) 外部知識融入，如雙語詞典。多方法結合往往效果最佳，某些低資源語言對通過上述技術已達到可用水平。

---

來源：https://aiterms.tw/terms/neural-machine-translation
快查頁：https://aiterms.tw/terms/neural-machine-translation
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-neural-machine-translation