论文阅读：《Neural Machine Translation by Translating》

这是2015年发表的一篇会议论文，作者包括Dmitry Bandana、KyungHyun Cho以及Yoshua Bengio。该研究最核心的创新点在于首次引入了注意力机制。接下来，我将逐段提炼关键内容，并结合自身理解进行适当补充。

ABSTRACT
在神经机器翻译（NMT）领域，多数研究采用的是encoder-decoder架构。然而，我们发现将源句编码为一个固定长度的向量存在一定的局限性，因此提出了一种改进方法。

1 INTRODUCTION
神经机器翻译是一项新兴技术，其主流方案基于encoder-decoder结构。然而，这一方法存在一个潜在问题：信息被压缩到固定长度的向量中，难以处理较长的句子。为了解决上述问题，我们设计了一种新的模型结构，在翻译过程中同时实现对齐操作与目标语言生成。每当模型生成一个新的目标词时，它会自动检索源句中可能包含相关信息的位置。
本模型的关键特征在于，并未尝试将整个源句的信息全部编码至单一固定长度的向量中，而是将其转化为一系列向量，并在解码阶段根据需要灵活地选取这些向量中的部分信息。

2 BACKGROUND：NEURAL MACHINE TRANSLATION
从统计学角度看，翻译任务可以被定义为寻找目标句子\textbf{y}的过程