赛尔推荐 | 第3期

该栏目每周将推荐若干篇由师生精心挑选的前沿论文，分周三、周五两次推送。

本次推荐了关于多任务学习、文本分类、阅读理解、特征选择、知识融合、图像标注等四篇论文。

1

推荐组：SA

推荐人：王帅（研究方向：情感分析）

论文题目：Adversarial Multi-task Learning for Text Classification

作者：Pengfei Liu, Xipeng Qiu and Xuanjing Huang

出处：ACL 2017

论文主要相关：多任务学习、文本分类

简评：常规的多任务学习通常单纯的共享某些参数，导致共用特征空间和私有特征空间中存在大量冗余的特征。本文提出一种多任务学习框架ASP-MTL，采用adversarial training确保共用特征空间中仅存在共用特征和任务无关的特征，辅以orthogonality constraints来去除私有和共用特征空间中冗余的特征。在16个任务的测试中，该框架比单任务学习平均效果提升了4.1%，比其他多任务学习框架（FS-MTL、 SP-MTL等）效果更好。

论文链接：

https://www.aclweb.org/anthology/P/P17/P17-1001.pdf

2

推荐组：SP

推荐人：李忠阳（博士课题研究方向：事理图谱，事件预测与推理）

[1]A Corpus and Cloze Evaluation for Deeper Understanding of Commonsense Stories

[2]Story Comprehension for Predicting What Happens Next

作者：

[1]Nasrin Mostafazadeh, Nathanael Chambers, Xiaodong He et al.

[2]Snigdha Chaturvedi, Haoruo Peng, Dan Roth

出处：

[1]NAACL-2016, University of Rochester

[2]EMNLP-2017, UIUC

论文主要相关：

[1]ROCStories Corpus, Story Cloze Test, Reading Comprehension

[2]Narrative Understanding, Feature Selection, Knowledge Fusion

简评：

[1]第一篇论文公开了一个数据集：ROCStories，训练集为98,161篇5句话组成的完整的小故事。开发集和测试集分别为1871篇小故事，每篇小故事包含4句话的上下文和2个候选故事结尾，其中只有1个是正确的结尾。任务目标是通过对故事上下文的精确理解、常识推理，从2个候选结尾中挑选出正确的那一个结尾。这篇论文同时也公布了一些基线方法，例如DSSM。该任务被称为Story Cloze Test。该任务同时也是LSDSem 2017的Shared Task，所以有很多新颖的方法出现。

[2]第二篇论文是目前ROCStories数据集上的最好结果(不排除有我未了解到的最新成果)。该工作没有高大上的神经网络模型, 方法偏传统，但是能给人以启发（原来还能这样操作！）。它挖掘了多方面的知识来帮助故事理解。这些知识包括事件序列(event-sequence)、情感路径(sentiment-trajectory)以及话题连贯性(topical-consistency)。然后，论文用一个隐变量模型(Hidden Coherence Model)将这三种知识融合在一起，取得了在故事结尾挑选任务上的最佳准确率，为77.6%。

论文链接： 

[1]https://aclweb.org/anthology/N/N16/N16-1098.pdf

[2]https://aclweb.org/anthology/D/D17/D17-1168.pdf

数据集链接： 

http://cs.rochester.edu/nlp/rocstories/

3

推荐组：TG

推荐人：孙卓（研究方向：文本生成）

论文题目：Skeleton Key: Image Captioning by Skeleton-Attribute Decomposition

作者：Yufei Wang, Zhe Lin, Xiaohui Shen, Scott Cohen, Garrison W. Cottrell

出处：CVPR 2017

论文主要相关：image caption

简评：这是一篇发表于CVPR 2017的论文，作者认为多数的语言模型都是逐个词的生成图像描述，但是对于人类来说，更自然的是先注意到图片中有哪些物体（对象）以及物体之间的关系，再来对物体的属性进行描述。文中提出一种由粗到精细的方法：将原始的图像描述分解为一个主干句skeleton以及物体的属性attribute，训练模型分别生成主干句及属性。此外，这种方法可以生成不同长度的图片描述结果，这得益于可以分别控制主干句以及属性的生成。

论文链接：

http://lanl.arxiv.org/pdf/1704.06972v1

往期链接：

赛尔推荐 | 第2期

（对话系统自动评价，优化器，复述生成，问答系统）

赛尔推荐 | 第1期

（词向量，情感分析，循环神经网络，sequence-to-sequence模型、选择机制和摘要生成）

赛尔推荐 | 第0期 

（人机对话，神经网络模型，知识工程，自然语言推理，基于文档集的问答，sequence-to-sequence模型，预测的可解释性和机器翻译）

本期责任编辑：  刘一佳

本期编辑：  孙   卓

---

“哈工大SCIR”公众号

主编：车万翔

副主编： 张伟男，丁效

责任编辑： 张伟男，丁效，赵森栋，刘一佳

编辑： 李家琦，赵得志，赵怀鹏，吴洋，刘元兴，蔡碧波，孙卓

长按下图并点击 “识别图中二维码”，即可关注哈尔滨工业大学社会计算与信息检索研究中心微信公共号：”哈工大SCIR” 。