第 56 屆計算語言學(xué)協(xié)會年會 ACL 2018 將于當(dāng)?shù)貢r間 7 月 15-20 日在澳大利亞墨爾本舉辦。騰訊 AI Lab 今年共有 5 篇論文入選，涉及到神經(jīng)機器翻譯、情感分類和自動評論等研究方向。下面將介紹這 5 篇論文的研究內(nèi)容。

這一事件在雷鋒網(wǎng)旗下學(xué)術(shù)頻道AI科技評論數(shù)據(jù)庫產(chǎn)品「AI 影響因子」中有相應(yīng)加分。

1、通往魯棒的神經(jīng)網(wǎng)絡(luò)機器翻譯之路（Towards Robust Neural Machine Translation）

論文地址：https://arxiv.org/abs/1805.06130

在神經(jīng)機器翻譯（NMT）中，由于引入了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和注意機制，上下文中的每個詞都可能影響模型的全局輸出結(jié)果，這有些類似于“蝴蝶效應(yīng)”。也就是說，NMT 對輸入中的微小擾動極其敏感，比如將輸入中某個詞替換成其近義詞就可能導(dǎo)致輸出結(jié)果發(fā)生極大變化，甚至修改翻譯結(jié)果的極性。針對這一問題，研究者在本論文中提出使用對抗性穩(wěn)定訓(xùn)練來同時增強神經(jīng)機器翻譯的編碼器與解碼器的魯棒性。

 

上圖給出了該方法的架構(gòu)示意，其工作過程為：給定一個輸入句子 x，首先生成與其對應(yīng)的擾動輸入 x'，接著采用對抗訓(xùn)練鼓勵編碼器對于 x 和 x' 生成相似的中間表示，同時要求解碼器端輸出相同的目標(biāo)句子 y。這樣能使得輸入中的微小擾動不會導(dǎo)致目標(biāo)輸出產(chǎn)生較大差異。

研究者在論文中提出了兩種構(gòu)造擾動輸入的方法。第一種是在特征級別（詞向量）中加入高斯噪聲；第二種是在詞級別中用近義詞來替換原詞。

研究表明，該框架可以擴展應(yīng)用于各種不同的噪聲擾動并且不依賴于特定的 NMT 架構(gòu)。實驗結(jié)果表明該方法能夠同時增強神經(jīng)機器翻譯模型的魯棒性和翻譯質(zhì)量，下表給出了在 NIST 漢語-英語翻譯任務(wù)上的大小寫不敏感 BLEU 分數(shù)。

  

可以看到，研究者使用極大似然估計（MLE）訓(xùn)練的 NMT 系統(tǒng)優(yōu)于其它最好模型大約 3 BLEU。

2、hyperdoc2vec：超文本文檔的分布式表示（hyperdoc2vec: Distributed Representations of Hypertext Documents）

論文地址：https://arxiv.org/abs/1805.03793

現(xiàn)實世界中很多文檔都具有超鏈接的結(jié)構(gòu)。例如，維基頁面（普通網(wǎng)頁）之間通過 URL 互相指向，學(xué)術(shù)論文之間通過引用互相指向。超文檔的嵌入（embedding）可以輔助相關(guān)對象（如實體、論文）的分類、推薦、檢索等問題。然而，針對普通文檔的傳統(tǒng)嵌入方法往往偏重建模文本/鏈接網(wǎng)絡(luò)中的一個方面，若簡單運用于超文檔，會造成信息丟失。

本論文提出了超文檔嵌入模型在保留必要信息方面應(yīng)滿足的四個標(biāo)準(zhǔn)并且表明已有的方法都無法同時滿足這些標(biāo)準(zhǔn)。這些標(biāo)準(zhǔn)分別為：

• 內(nèi)容感知度（content awareness）：超文檔的內(nèi)容自然在描述該超文檔方面起主要作用

• 上下文感知度（context awareness）：超鏈接上下文通常能提供目標(biāo)文檔的總結(jié)歸納

• 新信息友好度（newcomer friendliness）：對于沒有被其它任何文檔索引的文檔，需要采用適當(dāng)?shù)姆绞降玫剿鼈兊那度?/p>

• 語境意圖感知度（context intent awareness）：超鏈接周圍的“evaluate ... by”這樣的詞通常指示了源超文檔使用該引用的原因

為此，研究者提出了一種新的嵌入模型 hyperdoc2vec。不同于大多數(shù)已有方法，hyperdoc2vec 會為每個超文檔學(xué)習(xí)兩個向量，以表征其引用其它文檔的情況和被引用的情況。因此，hyperdoc2vec 可以直接建模超鏈接或引用情況，而不損失其中包含的信息。下面給出了 hyperdoc2vec 模型示意圖：

 

為了評估所學(xué)習(xí)到的嵌入，研究者在三個論文領(lǐng)域數(shù)據(jù)集以及論文分類和引用推薦兩個任務(wù)上系統(tǒng)地比較了 hyperdoc2vec 與其它方法。模型分析和實驗結(jié)果都驗證了 hyperdoc2vec 在以上四個標(biāo)準(zhǔn)下的優(yōu)越性。下表展示了在 DBLP 上的 F1 分數(shù)結(jié)果：

可以看到，添加了 DeepWalk 信息后基本都能得到更優(yōu)的結(jié)果；而不管是否使用了 DeepWalk，hyperdoc2vec 的結(jié)果都是最優(yōu)的。

3、TNet：面向評論目標(biāo)的情感分類架構(gòu)（Transformation Networks for Target-Oriented Sentiment Classification）

論文地址：https://arxiv.org/abs/1805.01086

開源項目：https://github.com/lixin4ever/TNet

面向評論目標(biāo)（opinion target）的情感分類任務(wù)是為了檢測用戶對于給定評論實體的情感傾向性。直觀上來說，帶注意機制的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）很適合處理這類任務(wù)，以往的工作也表明基于這類模型的工作確實取得了很好的效果。

研究者在這篇論文中嘗試了一種新思路，即用卷積神經(jīng)網(wǎng)絡(luò)（CNN）替代基于注意機制的RNN 去提取最重要的分類特征。由于 CNN 很難捕捉目標(biāo)實體信息，所以研究者設(shè)計了一個特征變換組件來將實體信息引入到單詞的語義表示當(dāng)中。但這個特征變換過程可能會使上下文信息丟失。針對這一問題，研究者又提出了一種“上下文保留”機制，可將帶有上下文信息的特征和變換之后的特征結(jié)合起來。

綜合起來，研究者提出了一種名為目標(biāo)特定的變換網(wǎng)絡(luò)（TNet）的新架構(gòu)，如下左圖所示。其底部是一個 BiLSTM，其可將輸入變換成有上下文的詞表示（即 BiLSTM 的隱藏狀態(tài)）。其中部是 TNet 的核心部分，由 L 個上下文保留變換（CPT）層構(gòu)成。最上面的部分是一個可感知位置的卷積層，其首先會編碼詞和目標(biāo)之間的位置相關(guān)性，然后提取信息特征以便分類。

右圖則展示了一個 CPT 模塊的細節(jié)，其中有一個全新設(shè)計的 TST 組件，可將目標(biāo)信息整合進詞表示中。此外，其中還包含一個上下文保留機制。

 

研究者在三個標(biāo)準(zhǔn)數(shù)據(jù)集上評估了新提出的框架，結(jié)果表明新方法的準(zhǔn)確率和 F1 值全面優(yōu)于已有方法；下表給出了詳細的實驗結(jié)果。

本研究的相關(guān)代碼已經(jīng)開源。

4、兼具領(lǐng)域適應(yīng)和情感感知能力的詞嵌入學(xué)習(xí)（Learning Domain-Sensitive and Sentiment-Aware Word Embeddings）

論文地址：https://arxiv.org/abs/1805.03801

詞嵌入是一種有效的詞表示方法，已被廣泛用于情感分類任務(wù)中。一些現(xiàn)有的詞嵌入方法能夠捕捉情感信息，但是對于來自不同領(lǐng)域的評論，它們不能產(chǎn)生領(lǐng)域適應(yīng)的詞向量。另一方面，一些現(xiàn)有的方法可以考慮多領(lǐng)域的詞向量自適應(yīng)，但是它們不能區(qū)分具有相似上下文但是情感極性相反的詞。

在這篇論文中，研究者提出了一種學(xué)習(xí)領(lǐng)域適應(yīng)和情感感知的詞嵌入（DSE）的新方法，可同時捕獲詞的情感語義和領(lǐng)域信息。本方法可以自動確定和生成領(lǐng)域無關(guān)的詞向量和領(lǐng)域相關(guān)的詞向量。模型可以區(qū)分領(lǐng)域無關(guān)的詞和領(lǐng)域相關(guān)的詞，從而使我們可以利用來自于多個領(lǐng)域的共同情感詞的信息，并且同時捕獲來自不同領(lǐng)域的領(lǐng)域相關(guān)詞的不同語義。

在 DSE 模型中，研究者為詞匯表中的每個詞都設(shè)計了一個用于描述該詞是領(lǐng)域無關(guān)詞的概率的分布。這個概率分布的推理是根據(jù)所觀察的情感和上下文進行的。具體而言，其推理算法結(jié)合了期望最大化（EM）方法和一種負采樣方案，其過程如下算法 1 所示。

 

其中，E 步驟使用了貝葉斯規(guī)則來評估每個詞的 z_w（一個描述領(lǐng)域相關(guān)性的隱變量）的后驗分布以及推導(dǎo)目標(biāo)函數(shù)。而在 M 步驟中則會使用梯度下降法最大化該目標(biāo)函數(shù)并更新相應(yīng)的嵌入。

研究者在一個亞馬遜產(chǎn)品評論數(shù)據(jù)集上進行了實驗，下表給出了評論情感分類的實驗結(jié)果：

 

實驗結(jié)果表明，本工作提供了一個有效的學(xué)習(xí)兼具領(lǐng)域適應(yīng)和情感感知能力的詞嵌入的方法，并提高了在句子層面和詞匯層面的情感分類任務(wù)的性能。

5、自動評論文章：任務(wù)和數(shù)據(jù)集（Automatic Article Commenting: the Task and Dataset）

論文地址：https://arxiv.org/abs/1805.03668

公開數(shù)據(jù)集：https://ai.tencent.com/upload/PapersUploads/article_commenting.tgz

在線文章的評論可以提供延伸的觀點以及提升用戶的參與度。因而，自動產(chǎn)生評論正成為在線論壇和智能聊天機器人中的一個很有價值的功能。

本論文提出了一個新的自動評論文章任務(wù)，并為這個任務(wù)構(gòu)建了一個大規(guī)模的中文數(shù)據(jù)集：它包含數(shù)百萬條真實評論和一個人工標(biāo)注的、能夠表達評論質(zhì)量的子集。下圖給出了這個數(shù)據(jù)集的統(tǒng)計信息和分類情況：

 

這個數(shù)據(jù)集是從騰訊新聞（news.qq.com）收集的。其中每個實例都有一個標(biāo)題以及文章的文本內(nèi)容，還有一組讀者評論及輔助信息（side information），該輔助信息中包含編輯為該文章劃分的類別以及每個評論獲得的用戶點贊數(shù)。

研究者爬取了 2017 年 4 月到 8 月的新聞文章及相關(guān)內(nèi)容，然后使用 Python 庫 Jieba 對所有文本進行了 token 化，并過濾掉了文本少于 30 詞的短文章和評論數(shù)少于 20 的文章。所得到的語料又被分成了訓(xùn)練集、開發(fā)集和測試集。該數(shù)據(jù)集的詞匯庫大小為 1858452。文章標(biāo)題和內(nèi)容的平均長度分別為 15 和 554 中文詞（不是漢字）。平均評論長度為 17 詞。輔助信息方面，每篇文章都關(guān)聯(lián)了 44 個類別中的一個。每條評論的點贊數(shù)量平均在 3.4-5.9 之間，盡管這個數(shù)字看起來很小，但該分布表現(xiàn)出了長尾模式——受歡迎的評論的點贊數(shù)可達成千上萬。

該數(shù)據(jù)集已開放下載。

通過引入評論質(zhì)量的人工偏好，本論文還提出了多個自動評價度量（W-METEOR、W-BLEU、W-ROUGE、W-CIDEr），它們拓展了現(xiàn)有主流的基于參考答案的度量方法而且它們獲得了與人類評價更好的相關(guān)度。研究者也演示了該數(shù)據(jù)集和相關(guān)評價度量在檢索和生成模型上的應(yīng)用。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。