一、文章有什么贡献？
- 主要共享是提出了一个新的思路，以CCG (Combinatory Categorial Grammar) Supertag的形式将句法信息引入了，NMT（神经机器翻译）的解码器端，对NMT的性能有了一定提高。
- 用两种方式将CCG Supertag任务引入解码器，一种是直接插入输出的序列，一种是利用了多任务学习，对多任务学习的研究也有一些贡献。
- 展示了不光是解码器，当同时在编码器端输入语言学信息的时候，性能得到进一步提高。
- 对其中更多细节，如句子种类还有句子长度也进行了详细的分析。进一步理解，引入语言学信息后对NMT系统的影响。
二、本文研究问题有什么价值？
首先引入CCG Supertag来对NMT的解码器加入语法学信息，而且证明了这种情况下直接插入输出序列比多任务学习的性能要好。当然主要还是证明了，语言学对NMT系统的影响。
三、研究问题有什么挑战？
大概就是如何将CCG supertag的语法信息引入编码器端吧。
之后很多都是对系统的详细分析了。
四、本文解决思路？
本文提出了两个解决思路。
-
一个是interleaving，也就是将CCG supertag直接相间插入目标语言的序列中去，也就是将输出序列长度增加一倍，一个单词一个相应的tag。如这样 $y{'}=y_1{tag},y_1{word},...,y_T{tag},y_T^{word}$ .
然后就把这个当做是原来的目标语言序列，进行解码预测。
interleaving -
还有一种思路是利用多任务学习(Multi-task Learning)，两个解码器分别用来翻译和输出CCG supertag，这两个解码器共享一个编码器。
multitasking结果是第一个方案更好一些。
