---
title: "序列到序列（Sequence to Sequence）"
slug: sequence-to-sequence
language: zh-TW
source: https://aiterms.tw/terms/sequence-to-sequence
updated_at: 2026-06-23
tags: [深度學習, 自然語言處理, AI應用, 機器學習]
ipas_term: false
---

# 序列到序列（Sequence to Sequence）

使用編碼器-解碼器架構將一個序列轉換為另一個序列，廣泛應用於翻譯、文本摘要等。

## 完整說明

序列到序列（Seq2Seq）是一種深度學習架構，用於將變長的輸入序列轉換為變長的輸出序列。該方法在2014年由Ilya Sutskever等人引入，通過編碼器網路將輸入序列壓縮為固定長度的上下文向量，解碼器網路再從該向量生成輸出序列。Seq2Seq框架突破了傳統機器翻譯對固定句長的限制，成為神經機器翻譯的標準方法。後續引入注意力機制大幅改進了性能，使Seq2Seq在翻譯、文本摘要、問答系統、對話系統等領域取得突破。

## 常見問題

### 教師強制為什麼會導致暴露偏差？

教師強制在訓練時，解碼器總是接收真實的前一個詞y(t-1)*，即使模型預測錯誤。推理時，解碼器接收自己的預測y(t-1)，可能是錯誤的。這種訓練推理不匹配導致誤差累積：錯誤的y(t-1)導致y(t)預測偏差，進而影響y(t+1)。解決方案包括課程學習（逐漸增加模型使用自己預測的比例）、計劃抽樣（部分時刻用模型預測而非真實詞）、或直接優化推理指標如BLEU score。

### 為什麼現代機器翻譯已經不用純Seq2Seq模型了？

純Seq2Seq（尤其不加注意力）在長句子上性能差、訓練困難。主要原因：（1）固定長度上下文向量無法承載長句信息；（2）遞迴性質導致梯度消失；（3）無法靈活對齡源目標詞。現代系統採用多項改進：注意力機制（讓解碼器關注相關源詞）、Transformer架構（支援並行和長依賴）、多層編碼器-解碼器、字符級或子詞級分詞。Google翻譯、DeepL等都採用Transformer而非傳統Seq2Seq。

### 如何評估Seq2Seq模型在翻譯或摘要上的質量？

自動評估指標包括BLEU（詞n-gram重合度）、METEOR（考慮同義詞）、ROUGE（用於摘要評估）、BERTScore（使用預訓練語言模型）。但這些指標與人類評估相關性有限，不完全反映質量。最可靠的評估是人工評審：邀請雙語評估者判斷翻譯准確性、流暢性；或邀請專家評估摘要的完整性、准確性、簡潔性。實務中推薦結合自動指標快速迭代和定期人工評審確認質量。

---

來源：https://aiterms.tw/terms/sequence-to-sequence
快查頁：https://aiterms.tw/terms/sequence-to-sequence
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-sequence-to-sequence