直播预告 | 顶级会议ACL预讲，只等你来

2022 年 4 月 25 日 THU数据派

  
  
    
   
   
     
    
    
      
     
     
       
      
      
        
       
       
          
          来源：AI Time论道 
         
      
      
        
     
     
       
    
    
      
   
   
     
  
  
    
  
  
    
   
   
     
    
    
      
     
     
       
      
      
        

     
     
       
    
    
      
    
    
      
     
     
       
      
      
        
       
       
          
            本文为约1951字，建议阅读3分钟 
           
           本文介绍 
           了4月27日、28日晚19:30，四位行业前沿的讲者带来的ACL预讲。

4月27日、28日晚19:30，ACL预讲，我们邀请北京大学计算语言所实习生陈亮、北京航空航天大学博士生牛广林、阿里巴巴达摩院算法工程师惠彬原和小米人工智能实验室高级算法工程师李嫣然给大家带来精彩的分享！

4月27日 19:30-20:30

陈亮：

吉林大学本科生，北京大学计算机学院计算语言所准研究生，主要研究方向为语义分析，机器翻译，本工作为在计算语言所实习所作。

分享内容：

基于掩码标签平滑的机器翻译模型训练方法

报告简介：

标签平滑和词汇共享是神经机器翻译模型中两种广泛使用的技术。然而，我们认为简单地应用这两种技术可能会产生冲突，甚至会导致次优性能。

原因在于分配平滑概率时，原始的标签平滑策略将永远不会出现在目标语言中的源端词与真正的目标端词同等对待，这可能会使翻译模型产生偏差。

为了解决这个问题，我们提出了掩码标签平滑（MLS），一种将源端单词的软标签概率屏蔽为零的新机制。简单而有效，MLS 设法将标签平滑与词汇共享更好地结合起来。

我们广泛的实验表明，MLS 在不同数据集上，从BLEU，chrF，模型校准等多个角度均相比原始标签平滑有显著的提升。

牛广林：

北京航空航天大学计算机科学与技术专业博士研究生，主要研究方向为符号规则与常识知识指导的知识图谱表示学习和推理。

分享内容：

常识和事实联合驱动的知识图谱推理框架

报告简介：

当前知识表示学习方法都采用对三元组打分的方式来判断其正确性，在负采样和推理过程都容易受到嵌入表示不确定性的影响造成一些不符合常识的错误结果，而具有常识的人们可以轻松解决这一问题。

为此，我们提出了一种从知识图谱中自动生成常识的机制为事实三元组提供更多确定性语义信息，进一步设计了常识感知的高质量负采样策略促进更有效的知识表示学习训练过程，并采用常识和事实联合驱动的多视角推理方法提高推理的准确性。

实验表明，对已有的几个知识表示学习模型扩展到我们提出的名为CAKE的框架中，均可以通过补充常识角度的语义信息提高推理精度，说明该框架具有良好的可扩展性。

4月28日 19:30-20:30

惠彬原：

阿里巴巴达摩院算法工程师，研究领域为自然语言处理，具体方向包括语义解析、智能对话、大规模预训练模型等。在 ACL / AAAI 等会议上发表多篇论文并多次担任 ACL / EMNLP / NAACL / AAAI 等会议审稿人。

分享内容：

S²SQL：一种融入句法结构的关系解耦

text-to-SQL 模型

报告简介：

将自然语言问题转换为可执行的 SQL 查询（称为 Text-to-SQL）是语义分析的一个重要分支。最先进的基于图的编码器已经成功地用于这项任务中，但却忽略了 query 中的句法结构信息。

在本文中，我们提出了 S²SQL，它有效地利用了 query 中的句法依存信息来提高性能。除此之外，我们还使用解耦约束来诱导不同的关系边表征，这进一步提高了模型的性能。在 Spider 和鲁棒性设置 Spider-Syn 上的实验表明，当使用预训练模型时，该方法的性能优于所有现有方法，并在Spider 排行榜上排名第一。

李嫣然：

博士毕业于香港理工大学，现任小米人工智能实验室高级算法工程师，同时也兼任着北京大学心理与认知学院的行业导师。其曾在国际顶级会议及期刊上发表论文二十余篇，涵盖情感计算、人机对话、自然语言生成等研究领域，累计引用次数超过1200次。

分享内容：

基于常识图谱和混合策略的情绪支持对话系统

报告简介：

情绪支持对话系统旨在理解人类用户的情绪困扰，并通过提供共情回复和疏导建议给予情感陪伴。为了让对话系统拥有更强大的理解能力，我们在论文《C3KG: A Chinese Commonsense Conversation Knowledge Graph》提出了一种新的常识对话图谱，既包含常见心理状态知识，也包含了情感疏导中所需的对话流知识。

为了多轮对话更深入，我们在论文《MISC: A Mixed Strategy-Aware Model integrating COMET for Emotional Support Conversation》中提出了一种新的混合策略疏导对话模型，能更加灵活地选择策略并给出更自然更通顺的回复。

实验结果表明该模型能在 benchmark dataset ESConv 上取得较大的提升，也能让模型习得的策略更符合人类的心理学沟通策略。

直播结束后大家可以在群内进行提问，请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“ACL”，将拉您进“AI TIME ACL 会议交流群”！