隨著近年來端到端的深度神經網路的流行，文字生成逐漸成為自然語言處理中一個熱點研究領域。文字生成技術具有廣闊的應用前景，包括用於智慧對話系統，實現更為智慧的人機互動；我們還可以通過自動生成新聞、財報及其它型別的

本文將介紹騰訊 AI Lab 發表於 EMNLP 2018 的兩篇論文，論文關注的是文字到文字生成研究領域中的文字風格轉化及對話生成任務。 其中，在文字風格的論文中，作者提出了一個新的序列編輯模型旨

最近科技圈裡火了一個詞叫“人機耦合”，主要原因當然是因為此前科大訊飛人工同傳“假扮”AI同傳，而科大訊飛將這種人工寫出譯文、機器發音的方式稱為人機耦合，而使用者們則用這個詞表示對科大訊飛的調侃。 這也再度加大了AI

雖然 AI 語音翻譯已經應用到了不少生活、工作場景，但不得不說，AI 也許在國際象棋、自動駕駛、診斷癌症、射擊罰球和預測農作物產量等方面優於人類，但是當涉及到翻譯和口譯時，它還是沒法完全取代人類大腦。 其一，

文 | 36氪研究院 李曉曉 報告要點： 人工智慧翻譯目前是機器翻譯的兩大流派之一，主要通過以深度學習演算法為基礎的神經網路增強翻譯的流暢性 機器翻譯（Machine Translation

在GNOME Asia Summit 2017上有這樣一群小仙女，她們為遺憾不能來到現場的朋友們全程直播著整個峰會的盛況，讓天南地北的程式員朋友能夠共同感受山城的熱情。《媛寶》第3期，我們有幸請到了主播之一，來

今天Flood和大家分享一篇Meta Learning在NLP上應用的paper，這應該是我看到的第一篇。 Paper的名稱是《Meta-Learning for Low-Resource

前言 組合語言是學習逆向的基礎，本文通過從彙編的層面分析 函式呼叫 來了解 壓棧、跳轉、執行、返回 的具體實現流程以及對 堆疊 的應用。 知識有限，如果有錯誤或則不清楚的地方還請您指出。

[ 摘要 ]目前機器翻譯仍難以達到接近人類對話的效果，儘管不同企業開始競相研發機器翻譯新品，但如何令翻譯更準確是AI領域待解的一大難題。 近日，人工智慧語音領域領軍企業科大訊飛（002230.

人工智慧不是模仿人腦的工作原理，而是要用機器的方式實現人腦能夠實現的價值或者作用。 紙包不住火。 很顯然，在人工智慧領域摸爬滾打19年的科大訊飛 是熟知這一點的。 在被指 AI 同傳造

本文介紹哈爾濱工業大學社會計算與資訊檢索研究中心（SCIR）錄用於EMNLP 2018的論文《Adaptive Multi-Pass Decoder forNeural Machine Translation

科技雲報道原創。 “2018世界人工智慧大會剛落幕，科大訊飛卻陷入了“AI同傳造假”的風波。9月20日，一位同傳譯員在知乎上發文稱，訊飛的翻譯其實為人工同傳，並非機器智慧翻譯，並且譯文由機器進行朗讀，此事引

當前最優的 NMT 模型都遵循結合注意力的 seq2seq 模型的正規化，但與用於文字和視覺任務的卷積模型相比，NMT 模型仍然太淺。來自 Google AI 的研究者提出對注意力機制進行修改，其類似於建立沿著

原標題：網際網路巨頭瘋搶翻譯3000億市場，未來將是AI翻譯的天下？ 文|AI財經社 田小川 編|祝同 關於未來，愛因斯坦說：我從不想未來，它來得太快了。的確，誰能預料到人工智慧，這個十年前還是科幻電影

介紹如何使用Sequence to Sequence Learning（Seq2Seq）實現神經機器翻譯（Neural Machine Translation，NMT） 原理 之前我們通過序列標註模型實