1. 研究目的与意义（文献综述包含参考文献）
文 献 综 述一、研究背景与意义：早期的机器翻译比较依赖于人类专家的规则制定，后来在处理一些拥有平行语料库的语言时候，有了基于数据驱动的机器翻译，也就是利用不同语言之间的对应关系来进行翻译，让计算机在数据中挖掘翻译知识来实现翻译，可以通过引入概率模型来进行翻译。
主流的方法有以隐结构短语为基础的短语翻译模型，也就是将单词切分成短语，再按照语序调节顺序实现翻译。
机器翻译在隐变量上建立模型的主流方法是对数线性模型，利用特征权和特征函数来控制隐变量。
2. 研究的基本内容、问题解决措施及方案
一、本课题研究问题1、注意力机制模型的机器翻译方法2、神经机器的解码和编码过程3、对翻译中覆盖率，梯度爆炸等问题的解决思路二、课题采用的研究手段1、学习深度学习和神经翻译相关的知识，建立起由谷歌提出的seq2seq模型2、用python软件进行训练以及对算法的测试3、利用门开关和递归神经网络算法解决传统机器翻译中的一些问题4、利用开源的数据库进行测试，计算出其损失函数，验证翻译的准确性，最后撰写论文研究工具：python是一种面向对象的解释型语言，他的特点是代码比较简单，而且作为一种开源语言，它可以被移植到很多语言上，从处理字符串到比较复杂的3d图形编程，python都有其对应的拓展模块，拓展性比较强，有比较强大的类库，而本课题所研究的神经机器翻译问题中，有一个很重要的环节就是需要进行模型的训练，以及对于的语料库，运用python的拓展性可以比较好的解决这些问题。
研究技术流程：一、确定并且匹配需要的平行语料库，并且将其作为数据库存储起来，这一部分可以选择以及已有的平行语料库，来作为研究的基础数据。
平行语料库就彷佛是数据库，神经机器翻译的模型参数训练，规则制定都依赖于它，用一张简单的表表示原理如下： 图一：神经机器翻译基本原理二、基本实现方法：首先使用一个称为编码器（encoder）的神经网络将源语言句子编码为一个稠密向量，然后使用一个称为解码器（decoder）的神经网络从该向量中解码出目标语言。
