一窺 ACL 2018 最佳論文

本文作者：楊曉凡

2018-06-10 18:49

專題：ACL 2018

導(dǎo)語：更多后續(xù)報(bào)道敬請(qǐng)期待

一窺 ACL 2018 最佳論文

雷鋒網(wǎng) AI 科技評(píng)論按：隨著定于 7 月 15 日的開會(huì)日期逐漸臨近，自然語言處理頂會(huì) ACL 2018 繼公開了接收論文名單之后，今天也公布了包含 3 篇長(zhǎng)論文與 2 篇短論文的最佳論文獲獎(jiǎng)名單。

其實(shí) ACL 2018 的流程設(shè)計(jì)與去年有所不同。ACL 2017 會(huì)前首先公布了 22 篇 outstanding 論文（可以看作最佳論文的預(yù)選論文），其中長(zhǎng)論文 15 篇、短論文 7 篇；接著正會(huì)開始后這 22 篇論文分在四個(gè)不同的論文報(bào)告 session 中演講，然后在最后一天的頒獎(jiǎng)典禮上公布了最終的最佳論文獎(jiǎng)得主。當(dāng)時(shí)在 ACL 2017 做現(xiàn)場(chǎng)報(bào)道的我們雷鋒網(wǎng)記者岑大師聽了論文報(bào)告之后就對(duì)最佳論文得主做了自己的預(yù)測(cè)，果然猜中。（可惜今年就沒有必要猜啦）

一窺 ACL 2018 最佳論文

說回 ACL 2018，ACL 2018 組委會(huì)于 6 月 10 日直接在官網(wǎng)發(fā)出公告，公布了今年 5 篇最佳論文的評(píng)選結(jié)果。不過截止 6 月 10 日只有其中 2 篇論文的內(nèi)容是公開的，另外 3 篇論文的介紹請(qǐng)等待雷鋒網(wǎng) AI 科技評(píng)論后續(xù)報(bào)道。

- 6 月 13 日更新了兩篇內(nèi)容，目前仍有一篇未公開

最佳論文 - 長(zhǎng)論文（3 篇）

Finding syntax in human encephalography with beam search

用束搜索在人腦成像中尋找句法
論文摘要：循環(huán)神經(jīng)網(wǎng)絡(luò)文法（RNNGs）是對(duì)于「樹-字符串」對(duì)的生成式模型，它們依靠神經(jīng)網(wǎng)絡(luò)來評(píng)價(jià)派生的選擇。用束搜索對(duì)它們進(jìn)行解析可以得到各種不同復(fù)雜度的評(píng)價(jià)指標(biāo)，比如單詞驚異數(shù)（word surprisal count）和解析器動(dòng)作數(shù)（parser action count）。當(dāng)把它們用作回歸因子，解析人類大腦成像圖像中對(duì)于自然語言文本的電生理學(xué)響應(yīng)時(shí)，它們可以帶來兩個(gè)增幅效果：一個(gè)早期的峰值以及一個(gè)類似 P600 的稍遲的峰值。相比之下，一個(gè)不具有句法結(jié)構(gòu)的神經(jīng)語言模型無法達(dá)到任何可靠的增幅效果。通過對(duì)不同模型的對(duì)比，早期峰值的出現(xiàn)可以歸功于 RNNG 中的句法組合。結(jié)果中體現(xiàn)出的這種模式表明 RNNG+束搜索的組合可以作為正常人類語言處理中的語法處理的一個(gè)不錯(cuò)的機(jī)理解釋模型。
論文地址：https://arxiv.org/abs/1806.04127
論文四位作者中的三位來自 DeepMind，另一位來自密歇根大學(xué)文學(xué)、科學(xué)與藝術(shù)學(xué)院計(jì)算神經(jīng)語言學(xué)實(shí)驗(yàn)室

Learning to Ask Good Questions: Ranking Clarification Questions using Neural Expected Value of Perfect Information

學(xué)習(xí)如何問好的問題：通過完全信息下的期待值為追問問題排序
論文摘要：在溝通中，提問是一大基本要素：如果機(jī)器不知道如何問問題，那它們也就無法高效地與人類合作。在這項(xiàng)研究中，作者們構(gòu)建了一個(gè)神經(jīng)網(wǎng)絡(luò)用于給追問的問題做排名。作者們模型設(shè)計(jì)的啟發(fā)來源于完全信息情況下的期待值：一個(gè)可以期待獲得有用的答案的問題就是一個(gè)好問題。作者們根據(jù) StackExchange 上抓取的數(shù)據(jù)研究了這個(gè)問題；StackExchange 是一個(gè)內(nèi)容豐富的在線咨詢平臺(tái)，其中有人發(fā)帖咨詢以后，別的用戶會(huì)在下面追問起到解釋澄清作用的問題，以便更好地了解狀況、幫助到發(fā)帖人。論文作者們創(chuàng)建了一個(gè)由這樣的追問問題組成的數(shù)據(jù)集，其中包含了 StackExchange 上 askubuntu、unix、superuser 這三個(gè)領(lǐng)域的約 77k 組發(fā)帖+追問問題+問題的回答。作者們?cè)谄渲械?500 組樣本上評(píng)估了自己的模型，相比其他基準(zhǔn)模型有顯著的提高；同時(shí)他們也與人類專家的判斷進(jìn)行了對(duì)比。
論文地址：https://arxiv.org/abs/1805.04655
論文作者來自馬里蘭大學(xué)與微軟研究院

Let's do it "again": A First Computational Approach to Detecting Adverbial Presupposition Triggers

讓我們「再」做一次：首個(gè)檢測(cè)假定狀態(tài)觸發(fā)副詞的計(jì)算性方法
論文摘要：這篇論文中，作者們介紹了一種新的研究課題——預(yù)測(cè)副詞詞性的假定狀態(tài)觸發(fā)語（adverbial presupposition triggers），比如「also」和「again」。完成這樣的任務(wù)需要在對(duì)話上下文里尋找重復(fù)出現(xiàn)的或者相似的內(nèi)容；這項(xiàng)任務(wù)的研究成果則可以在文本總結(jié)或者對(duì)話系統(tǒng)這樣的自然語言生成任務(wù)中起到幫助。作者們?yōu)檫@項(xiàng)任務(wù)創(chuàng)造了兩個(gè)新的數(shù)據(jù)集，分別由 Penn Treebank 和 AnnotatedEnglish Gigaword 生成，而且也專為這項(xiàng)任務(wù)設(shè)計(jì)了一種新的注意力機(jī)制。作者們?cè)O(shè)計(jì)的注意力機(jī)制無需額外的可訓(xùn)練網(wǎng)絡(luò)參數(shù)就可以增強(qiáng)基準(zhǔn) RNN 模型的表現(xiàn)，這最小化了這一注意力機(jī)制帶來的額外計(jì)算開銷。作者們?cè)谖闹斜砻?，他們的模型相比多個(gè)基準(zhǔn)模型都有統(tǒng)計(jì)顯著的更高表現(xiàn)，其中包括基于 LSTM 的語言模型。
論文地址：https://www.cs.mcgill.ca/~jkabba/acl2018paper.pdf
這篇論文來自加拿大麥克吉爾大學(xué)（McGill University）與蒙特利爾算法學(xué)習(xí)人工智能實(shí)驗(yàn)室（MILA）

最佳論文 - 短論文（2 篇）

Know What You Don't Know: Unanswerable Questions for SQuAD

知道你不知道的：SQuAD 中無法回答的問題
論文摘要：提取式的閱讀理解系統(tǒng)一般都能夠在給定的文檔內(nèi)容中找到正確的內(nèi)容來回答問題。不過對(duì)于正確答案沒有明示在閱讀文本中的問題，它們就經(jīng)常會(huì)做出不可靠的猜測(cè)。目前現(xiàn)有的閱讀理解問答數(shù)據(jù)集，要么只關(guān)注了可回答的問題，要么使用自動(dòng)生成的無法回答的問題，很容易識(shí)別出來。為了改善這些問題，作者們提出了 SQuAD 2.0 數(shù)據(jù)集，這是斯坦福問答數(shù)據(jù)集 SQuAD 的最新版本。SQuAD 2.0 在現(xiàn)有的十萬個(gè)問題-答案對(duì)的基礎(chǔ)上增加了超過五萬個(gè)無法回答的問題，它們由人類眾包者對(duì)抗性地生成，看起來很像可以回答的問題。一個(gè)問答系統(tǒng)如果想要在 SQuAD 2.0 上獲得好的表現(xiàn)，它不僅需要在問題能夠回答時(shí)給出正確的答案，還要在給定的閱讀材料中不包含答案時(shí)做出決定、拒絕回答這個(gè)問題。SQuAD 2.0 也設(shè)立了新的人類表現(xiàn)基準(zhǔn)線，EM 86.831，F(xiàn)1 89.452。對(duì)于現(xiàn)有模型來說 SQuAD 2.0 是一個(gè)具有挑戰(zhàn)性的自然語言理解任務(wù)，一個(gè)強(qiáng)有力的基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)可以在 SQuAD 1.1 上得到 86% 的 F1 分?jǐn)?shù)，但在 SQuAD 2.0 上只能得到 66%。
論文地址：https://arxiv.org/abs/1806.03822
這篇論文來自斯坦福自然語言小組（Stanford NLP Group），作者之一的副教授 Percy Liang 是 NLP 領(lǐng)域著名的研究員，我們也曾報(bào)道過他的論文《先打草稿可以生成更高質(zhì)量的文本，Percy Liang新論文廣受贊譽(yù)》

'Lighter' Can Still Be Dark: Modeling Comparative Color Descriptions