基于深度学习的神经网络机器翻译已经在通用翻译、领域翻译、翻译评估和自动译后编辑等多个场景，产生了巨大的实用和商业价值，但是仍然存在着两个典型问题。一方面，过译漏译等质量问题仍然存在；另一方面，端到端的神经网络黑盒架构使专家介入优化比较困难，传统离散知识不能很好融入模型算法。

知识驱动的机器翻译尝试从三个方向进行离散知识和神经网络模型的融合。首先是双语或多语 Entity 对齐；其次是双语或多语的 Phrase 对齐；最后翻译记忆或相似句对的融合。在自回归模型和非自回归模型上，知识驱动的机器翻译都能取得不错效果。本议题将会分享华为的离散知识和神经网络模型的融合实践经验，希望对你有所启发。

演讲提纲：

1. 机器翻译的发展和神经网络机器翻译的挑战
2. 知识驱动的机器翻译知识定义：    
   • 双语 Entity 挖掘和对齐    
   • 双语 Phrase 挖掘和对齐    
   • 翻译记忆或相似句对的挖掘和对齐
3. 知识驱动机器翻译的模型架构    
   • 模型推理 vs 自动质量评估    
   • 自回归模型 vs 非自回归模型
4. 效果分析和工具链平台构建
5. 更高级的知识驱动机器翻译思考

你将获得：

• 了解华为机器翻译和文本生成的技术和成果
• 了解华为进行离散知识和神经网络模型的融合
• 了解目前 NMT 和文本生成方向的挑战和技术展望