近年来，机器翻译技术取得了令人瞩目的成就，尤其是基于端到端模型的神经机器翻译方法(neural machine translation, NMT)能够极大程度地提升机器翻译的译文质量，这种变革式的发展使得神经机器翻译成为机器翻译的新范式。各大互联网公司也将神经机器翻译模型部署作为其线上的翻译服务系统。然而，现有的神经机器翻译模型通常需要占用较大的存储和运算资源，训练和部署多个语言对之间翻译模型会造成极大的资源消耗。与此同时，不同语言之间包含一些相似的通用信息。如果能够使用一套模型完成这些语言对之间的翻译任务不仅会带来较大的便利，而且能够充分利用这些语言之间共性，对翻译性能的提升有较大帮助。因此，研究融合多语言信息的神经机器翻译方法对于促进机器翻译的应用和提高译文的质量都具有重要的理论意义和应用价值。本文将对融合多语言信息的神经机器翻译方法和实现技术进行研究，以更好地利用语言之间的通用信息和独立信息，提升机器翻译的译文质量。

论文的主要工作和创新点归纳如下：

1、提出了一种融合语言独立信息的多语言神经机器翻译方法

融合多语言信息的神经机器翻译具备模型压缩和节约资源消耗的能力。然而，当存在多个目标语言时，仅使用一套模型参数生成不同语言的句子会造成模型的负担过重，进而降低翻译质量。针对这一问题，本文提出了一种融合语言独立信息的多语言神经机器翻译方法，能够较好地区分不同的目标语言，从而在维持模型规模不变的前提下提升翻译质量。该方法分别设计了三种不同的策略，包括语言相关的语种标签、语言相关的位置编码和语言相关的隐层向量。综合考虑这三方面因素可以更为优化地捕获不同语言的独立信息，提升翻译质量。实验表明，本文所提出的三种策略都能超越已有融合多语言信息的神经机器翻译方法。

2、提出了一种基于语言敏感表示器的多语言神经机器翻译方法

当前融合多语言信息的神经机器翻译中不同语言的通用信息没有被充分利用。同时，如何平衡翻译知识共享和独立成为多语言神经机器翻译的核心挑战。针对上述问题，本文提出了一种基于语言敏感表示器的多语言神经机器翻译方法。该方法将神经机器翻译模型的编码器和解码器连接到一起，既显著减少了模型参数的规模又更好地利用了语言之间的通用信息。同时为了进一步增强模型性能，该方法分别利用输入层、中间层和输出层的语义表征强化语言独立信息。实验表明，本文所提出的方法在大规模和小规模数据集上都能显著提升译文的质量，获得了最好的翻译效果。此外，该方法更加适用于低资源甚至零资源的条件下的翻译。

3、提出了一种同步交互解码的多语言神经机器翻译方法

考虑到当前神经机器翻译的解码方法通常缺乏利用目标端未来信息的能力，而在表达同样内容时不同语言运用词汇的次序有很大的差异。因此，本章提出了一种同步交互解码生成多种语言的神经机器翻译方法，从而利用其它目标语言提供的信息。该方法在解码端生成某种目标语言的词汇时，融合这种目标语言和其他目标语言的历史信息，实现多语言信息的交互，从而弥补了解码过程中使用单一语言造成的信息缺失。实验表明，所提方法在大规模和小规模数据集上都要优于仅使用双语平行语料训练得到的神经机器翻译模型和融合多语言信息的基线神经机器翻译模型，有效地提升机器翻译译文质量。

综上所述，本文针对融合多语言信息的神经机器翻译质量不高的问题展开了深入研究，分别从模型的表征和译文生成的角度出发，关注能够融合不同语言之间的通用信息和区分不同语言独立信息的方法。实验表明，本文所提出的方法能够有效提升多语言神经机器翻译的性能，丰富了融合多语言信息的神经机器翻译方法研究和应用。