一般的神经机器翻译模型（NMT）实现的是一种语言到另一种语言的翻译，也就是用在特定的语言对之间。最近一些工作开始将一般的NMT扩展到多语言的场景。目前两种通常的做法是：一、为每种源语言单独准备一个encoder，每种目标语言也准备一个decoder，然后encoder和decoder之间共享一个注意力层。二、不管源端和目标端多少种语言统一一个encoder，一个decoder，然后attention。
1.《Toward Multilingual Neural Machine Translation with Universal Encoder and Decoder》:一个encoder-decoder
低资源平行语料（En->De）情况下：融合单语语料(De->De)或其他低资源平行语料（例如Fr->De）能够提升模型效果。
融合大量单语语料情况下：也可以提升模型效果。
零资源：有De->En，En->Fr的平行语料，没有单独De->Fr的平行语料，看看De->Fr的翻译效果。
一个箭头（->）代表一个模型，例如Direct(De->Fr)就是有平行语料的情况下训练一个模型，Pivot(De->En->Fr)就是训练两个模型，En作为中间语言。发现效果并不好。
2. 《Multilingual NMT with a language-indepent attention bridge》（2019ACL）独立的encoder，decoder+share attention