A行业级
Seq2Seq 统一可变长度序列转换
编码器与解码器把翻译变成端到端学习问题
已核验1可追溯来源
Google 研究者提出用两个多层 LSTM 将输入序列编码成向量，再逐步生成输出序列，并在机器翻译上取得有竞争力的结果。
发生了什么
编码器读取源句并形成内部表示，解码器根据表示逐词生成目标句。论文还发现反转源句顺序能缩短依赖距离，改善优化效果。
当时的行业背景
神经网络已经能处理固定标签任务，但翻译的输入和输出长度都不固定，传统系统还依赖分词、短语表、对齐和语言模型组成的复杂流水线。
为什么重要
Seq2Seq 把翻译、摘要和对话等任务放进同一个“输入序列到输出序列”框架。随后加入注意力机制，最终通向 Transformer。
在它之前
翻译系统依赖多个独立训练和调参的组件。
在它之后
一个神经网络可以直接学习从源序列到目标序列的映射。
影响
它改变了什么
对开发者
自然语言任务开始从人工拼接的模块转向端到端训练的通用结构。
对行业
神经机器翻译逐步替代统计机器翻译，显著简化产品技术栈。
来源