*以下内容是根据英文摘要,经我们自己的神经网络机器翻译系统翻译而来。随着全球通信的增加,语言障碍成为一个亟待解决的问题。在目前的情况下,机器翻译是克服障碍的有效方法。机器翻译起源于17世纪,在19世纪后期作为统计机器翻译而发展起来。随着神经网络的发展和深度学习技术的发展,机器翻译也采用了这些技术,并取得了新的进展。神经机器翻译的目的是建立一个单一的神经网络,可以联合训练,最大限度地实现翻译性能。具有注意力的编码解码器结构实现了与现有的基于短语的系统相比的翻译性能。然而,大量词汇的使用已经成为神经机器翻译的瓶颈之一。例如,词级的神经机器翻译在捷克语言中表现更差。因为捷克语是斯拉夫语的语言,不仅有丰富而复杂的变化,而且具有丰富的形态学形态。为了更好地处理这些语言,我们提出了一种高效的字符级的神经机器翻译。介绍了一种分层编码器和层次解码器,构成了深层字符级的神经机器翻译(DCNMT)。分层编码器从编码字符序列开始,获得单词级表示,然后从单词级别学习语义特征。分层解码器在获得单词级别表示后,在字符级解码。这样一个深度的模型有两个主要的优点。它从根本上避免了大量词汇问题;同时,它比传统的基于字符的模型快得多。更有趣的是,我们的模型能够像人类一样翻译拼错的单词。由于许多语言起源于一种共同的祖先语言,相互影响,因此,这些语言之间的相似性必然存在,如词汇相似性和命名实体相似性。我们进一步利用这些相似性来提高我们的字符级神经机器翻译中的翻译性能。具体地说,我们引入了一种注意力的注意机制,它直接引导源侧字符的信息直接流向目标侧。利用这种机制,当单词类似时,将基于源边字符的表示形式生成目标侧字符。例如,我们提议的神经机器翻译系统通过注意力注意机制(AvA)传递英语单词‘system’的字符级信息,从而生成捷克单词‘systém’。因此,我们的方法不仅能够达到一个突出的翻译效果,而且能够显著降低模型的大小。我们在英语-法语和英语-捷克的翻译任务上训练这些模型。我们与各种强基线进行比较,包括RNNsearch、bpe2char模型、char2char模型和混合模型。通过定量分析和定性分析,评价了该方案的有效性和高效性。