雷鋒網 AI 科技評論按：自然語言處理領域的頂級會議 EMNLP 2017，將于 9 月 7-11 日在哥本哈根召開。今年 EMNLP 共接受論文 323 篇，其中 216 篇為長論文，107 篇為短論文。最佳論文名單已經公布，詳見此前報道：EMNLP 2017 最佳論文揭曉，「男人也愛逛商場」獲最佳長論文。

雷鋒網了解到，著名華人 NLP 學者、斯坦福大學副教授 Percy Liang，共有三篇署名論文被 EMNLP 2017 收錄：

• 《Macro Grammars and Holistic Triggering for Efficient Semantic Parsing 》

  作者：Yuchen Zhang, Panupong Pasupat, Percy Liang

  
  

• 《Adversarial Examples for Evaluating Reading Comprehension Systems》

  作者：Robin Jia, Percy Liang

  
  

• 《Importance sampling for unbiased on-demand evaluation of knowledge base population》

  作者：Arun Chaganty, Ashwin Paranjape, Percy Liang and Christopher D. Manning

Percy Liang

三篇論文的第一作者，Yuchen Zhang、Robin Jia 和 Arun Chaganty，均為 Percy Liang 在斯坦福的指導學生。第三篇尚未公開，前兩篇論文的摘要如下：

《Adversarial Examples for Evaluating Reading Comprehension Systems》

即“《用對抗方案評估閱讀理解系統(tǒng)的例子》”

摘要：

標準的精確度衡量標準表明，閱讀理解系統(tǒng)正在快速進步。但這些系統(tǒng)究竟能在多大程度上真正理解語言，仍然未知。為了獎勵具有語言理解能力的系統(tǒng)，我們針對斯坦福問答數據集 (SQuAD) 提出一個對抗評估方案。我們的方案會自動生成并在段落中插入對抗語句，然后測試系統(tǒng)是否能圍繞這一段落回答問題。這些對抗語句的目的在于干擾計算機回答系統(tǒng)，但并不會改變問題的正確答案，也不會對人類讀者造成干擾。在這種對抗方案中，16 個已發(fā)表模型的精確度從 75%（F1 分數）降到了 36%。當對抗系統(tǒng)被允許加入不符合語法的短語串，有四個模型的平均精度下降到了 7%。我們希望該發(fā)現能激勵大家開發(fā)出能夠更精確理解語言的新模型。

地址：https://arxiv.org/abs/1707.07328 

《Macro Grammars and Holistic Triggering for Efficient Semantic Parsing 》

即“《應用于高效語義解析的宏觀語法和整體觸發(fā)》”

摘要：

為了從注解中學習出語義解析器，一個學習算法必須在一個大型邏輯形式組合空間中，搜索與注解匹配的邏輯組合。我們提出一個新的在線學習算法，能隨著訓練進程搜索地越來越快。兩個關鍵的想法是：1. 對于當前找到的有價值的邏輯形式，把它們的抽象模式用宏觀語法（macro grammars）緩存起來；2. 根據句子相似性，使用整體觸發(fā)（holistic triggering）高效抽取最相關的模式。在 WikiTableQuestions 數據集，我們先是擴展了已有模型的搜索空間，把最高精確度從 38.7% 提升到了 42.7%。然后，用宏觀語法和整體觸發(fā)實現 11 倍的加速和 43.7% 的精確度。

地址：https://arxiv.org/abs/1707.07806 

雷鋒網AI科技評論編譯

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。