Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation

1.主要完成的任務是可以將英文轉譯爲法文，使用了一個encoder-decoder模型，在encoder的RNN模型中是將序列轉化爲一個向量。在decoder中是將向量轉化爲輸出序列，使用encoder-decoder可以加入詞語與詞語之間的順序信息。

2.另外一個任務是將序列表達爲一個向量，利用向量可以清楚的看出那些語義上相近的詞彙集在一塊兒。

3.在設計RNN的隱藏層時，在讀入或產生序列加入了reset和update門，能夠選擇丟掉記憶信息和更新記憶信息，獲得了更有意義的結果。

4.兩個RNN網絡共同訓練最大化輸入序列到輸出序列的條件機率。另外一方面提出至關複雜的隱含層，來提升內存容量和訓練的簡單性。

5.取得比較好的效果的緣由是：1.可以抓住語言規律，而且語言表達保留了語義和句法結構。

6.訓練好的模型可用來給定輸入序列獲得輸出序列，對輸入序列和輸出序列打分。