3.5 集束搜索的误差分析（Error analysis in beam search）

束搜索算法是一种近似搜索算法（an approximate search algorithm），也被称作启发式搜索算法（a heuristic search algorithm），它不总是输出可能性最大的句子，它仅记录着B为前3或者10或是100种可能

人工标记为$y^*$。束搜索算法翻译结果标记为$\hat y$，是一个十分糟糕的翻译，改变了句子的原意：

模型有两个主要部分，一个是神经网络模型，或说是序列到序列模型（sequence to sequence model），称作是RNN模型，另一部分是束搜索算法，以某个集束宽度B运行

RNN(循环神经网络)实际上是个编码器和解码器（the encoder and the decoder），它会计算$P(y|x)$。如对于句子：Jane visits Africa in September，将Jane visits Africa填入这里（上图编号1），忽略字母的大小写，后面也是一样，计算得到$P(y^*|x)$，$P(\hat y|x)$ 同样如此，然后比较一下这两个值哪个更大

• 若$P(y^*|x)$ 大于$P(\hat y|x)$，可束搜索算法却选择了$\hat y$ ， 因此能够得出束搜索算法实际上不能给出使$P(y|x)$最大化的$y$值，因为束搜索算法的任务就是寻找一个$y$的值来使这项更大，但是它却选择了$\hat y$，而$y^*$实际上能得到更大的值。因此这种情况下束搜索算法出错

• 若$P(y^*|x)$小于或等于$P(\hat y|x)$，$y^*$ 是比 $\hat y$更好的翻译结果，不过根据RNN模型的结果，$P(y^*)$ 是小于$P(\hat y)$的，即相比于$\hat y$，$y^*$成为输出的可能更小。因此在这种情况下是RNN模型出了问题

以上都忽略了长度归一化（length normalizations）的细节，如果用了某种长度归一化，那么要比较长度归一化后的最优化目标函数值

误差分析过程：

1. 先遍历开发集，找出算法产生的错误

2. 假如$P(y^*|x)$的值为2 x 10$^{-10}$，而$P(\hat y|x)$的值为 1 x10$^{-10}$，得知束搜索算法实际上选择了比$y^*$可能性更低的$\hat y$，则束搜索算法出错，缩写为B

3. 接着继续遍历第二个错误，若对于第二个例子是RNN模型出现了问题，用缩写R来代表RNN

4. 接着遍历更多的例子，有时是束搜索算法出现了问题，有时是模型出现了问题，等等

5. 执行误差分析，得出束搜索算法和RNN模型出错的比例是多少。对开发集中每一个错误例子，即算法输出了比人工翻译更差的结果的情况，尝试确定是搜索算法出了问题，还是生成目标函数(束搜索算法使之最大化)的RNN模型出了问题。找到这两个部分中哪个是产生更多错误的原因

6. 只有当发现是束搜索算法造成了大部分错误时，才值得花费努力增大集束宽度B；如果发现是RNN模型出了更多错，那么可以进行更深层次的分析，来决定是需要增加正则化还是获取更多的训练数据，抑或是尝试一个不同的网络结构