主要内容
存在问题
尽管DNNs在有大量标记训练集的情况下工作良好，但它们不能用于将序列映射到序列。只适用于输入和目标可以用固定维数向量合理编码的问题，许多重要的问题都是用长度未知的序列来表示。
针对上述问题，提出一种通用的端到端序列学习方法，它对序列结构做了最小的假设。
端到端序列方法结构
使用多层长短时记忆(LSTM)将输入序列映射到一个固定维数的向量上，再用另一个深度LSTM从向量上解码目标序列。
验证
在WMT-14数据集的英法翻译任务中，LSTM生成的翻译在整个测试集上获得了34.8的BLEU分数，LSTM的BLEU分数在词汇表外的单词上受到了惩罚。在长句子上没有困难。
对比方案
基于短语的SMT系统在同一数据集上的BLEU得分为33.3
其他收获
- 当使用LSTM对前面提到的SMT系统产生的1000个假设进行重新排序时，BLEU分数增加到36.5，接近于以前的技术水平。
- LSTM还学习了对词序敏感、对主动语态和被动语态相对不变的有意义的短语和句子表示。
- 发现颠倒所有源句(但不包括目标句)中的单词顺序显著地提高了LSTM的性能，因为这样做会在源句和目标句之间引入许多短期依赖关系，从而使优化问题变得更容易。
正文收获
我们之所以能够在长句子中表现好是因为我们在源端颠倒词的顺序，引入短期依赖使优化问题更容易。因此，SGD可以学习没有长句子问题的LSTMs。源句中颠倒单词的简单技巧是这项工作的关键技术贡献之一。
LSTM的一个有用特性是，它学会将一个可变长度的输入语句映射成一个固定维向量表示。考虑到翻译往往是对原句的释义，翻译目标鼓励LSTM找到能够捕捉其含义的句子表示，因为具有相似含义的句子彼此之间很接近，而不同的句子含义会很远。定性评估支持这一观点，表明我们的模型能够识别词序，并且保持主动语态和被动语态不变。
模型
递归神经网络(RNN)是前馈神经网络对序列的一种自然推广。
只要预先知道输入和输出之间的对齐，RNN就可以轻松地将序列映射到序列。然而，如何将RNN应用于输入和输出序列长度不同且关系复杂且非单调的问题，目前尚不清楚。
一般序列学习的一个简单策略是使用一个RNN将输入序列映射到一个固定大小的向量，然后用另一个RNN将向量映射到目标序列(Cho等人也采用了这种方法)。虽然它在原则上可以工作，因为RNN提供了所有相关的信息，但是由于由此产生的长期依赖关系，训练RNNs是困难的[14,4](图1)[16,15]。然而，众所周知，长短时记忆[16]会学习具有长期时间依赖性的问题，因此LSTM可能在此设置中成功。
LSTM的目标是评估条件概率，
是输入序列，
是输出序列，T‘与T可能不相同。
v是计算的输入序列的固定维向量表示（由LSTM的最后一个隐藏状态给出），初始状态由v表示。
在这个方程中，每个
分布用softmax表示词汇表中的所有单词。我们使用格雷夫斯的LSTM公式。注意，我们要求每个句子都以一个特殊的句末符号<EOS>结束，这使模型能够定义所有可能长度序列上的分布。总体方案如图所示，其中所示的LSTM计算A、B、C、<EOS>的表示，然后使用该表示计算W、X、Y、Z、<EOS>的概率。
异同
实际模型在三个重要方面与上述描述不同。
首先，使用两种不同的LSTM:一种用于输入序列，另一种用于输出序列，因为这样做增加了数字模型参数，而计算成本可以忽略不计，并且可以很自然地同时在多个语言对上训练LSTM。
其次，深度LSTM明显优于浅层LSTM，因此选择了一个四层的LSTM。
第三，颠倒输入句子的单词顺序非常有价值。例如,不是将句子a,b, c映射成句子α,β,γ，而是LSTM将c, b, a映射成α,β,γ（α,β,γ是翻译的a, b, c）。这样,a接近α，b是接近β,等等,这一事实使SGD容易建立输入和输出之间的联系。我们发现这个简单的数据转换可以极大地提高LSTM的性能。
实验
将方法应用到WMT’14英语到法语的MT任务中，方法有两种。在不使用参考SMT系统的情况下，使用它直接翻译输入语句，并重新确定SMT基线的n-best列表。