ACL 2018 獎(jiǎng)項(xiàng)全公布，北大、哈工大上榜，Mark Steedman 獲終身成就獎(jiǎng)

雷鋒網(wǎng) AI 科技評(píng)論按：ACL 2018 于 7 月 15 日在墨爾本正式開(kāi)幕，隨著會(huì)議議程的推進(jìn)，今天迎來(lái)大會(huì)的重頭戲——ACL 獎(jiǎng)項(xiàng)頒布儀式。

在頒獎(jiǎng)儀式前，最佳論文名單已經(jīng)公布，今年共選出 3 篇最佳長(zhǎng)論文和 2 篇最佳短論文。頒獎(jiǎng)儀式上，榮譽(yù)論文（ 6 篇長(zhǎng)文和 2 篇短文）、最佳 demo 論文（1 篇）、Amazon Door Prize 也一并揭曉。雷鋒網(wǎng)注意到，北京大學(xué)、哈爾濱工業(yè)大學(xué)這兩所國(guó)內(nèi)高校在 Amazon Door Prize 上均有上榜。終身成就獎(jiǎng)得主為愛(ài)丁堡大學(xué)信息學(xué)院教授 Mark Steedman。

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

  John Hale, Chris Dyer, Adhiguna Kuncoro, Jonathan R. Brennan

論文摘要：循環(huán)神經(jīng)網(wǎng)絡(luò)文法（RNNGs）是對(duì)于「樹(shù)-字符串」對(duì)的生成式模型，它們依靠神經(jīng)網(wǎng)絡(luò)來(lái)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(lèi)大腦成像圖像中對(duì)于自然語(yǔ)言文本的電生理學(xué)響應(yīng)時(shí)，它們可以帶來(lái)兩個(gè)增幅效果：一個(gè)早期的峰值以及一個(gè)類(lèi)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(yǔ)言模型無(wú)法達(dá)到任何可靠的增幅效果。通過(guò)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(lèi)語(yǔ)言處理中的語(yǔ)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

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

  學(xué)習(xí)如何問(wèn)好的問(wèn)題：通過(guò)完全信息下的期待值為追問(wèn)問(wèn)題排序

  Sudha Rao, Hal Daumé III

論文摘要：在溝通中，提問(wèn)是一大基本要素：如果機(jī)器不知道如何問(wèn)問(wèn)題，那它們也就無(wú)法高效地與人類(lèi)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(wèn)的問(wèn)題做排名。作者們模型設(shè)計(jì)的啟發(fā)來(lái)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(wèn)題就是一個(gè)好問(wèn)題。作者們根據(jù) StackExchange 上抓取的數(shù)據(jù)研究了這個(gè)問(wèn)題；StackExchange 是一個(gè)內(nèi)容豐富的在線(xiàn)咨詢(xún)平臺(tái)，其中有人發(fā)帖咨詢(xún)以后，別的用戶(hù)會(huì)在下面追問(wèn)起到解釋澄清作用的問(wèn)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(wèn)問(wèn)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(wèn)問(wèn)題+問(wèn)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(lèi)專(zhuān)家的判斷進(jìn)行了對(duì)比。

論文地址：https://arxiv.org/abs/1805.04655

• 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

  Andre Cianflone, Yulan Feng, Jad Kabbara, Jackie Chi Kit Cheung

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(yǔ)（adverbial presupposition triggers），比如「also」和「again」。完成這樣的任務(wù)需要在對(duì)話(huà)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(huà)系統(tǒng)這樣的自然語(yǔ)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(zhuān)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(wú)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(lái)的額外計(jì)算開(kāi)銷(xiāo)。作者們?cè)谖闹斜砻鳎麄兊哪Ｐ拖啾榷鄠€(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(yǔ)言模型。

論文地址：https://www.cs.mcgill.ca/~jkabba/acl2018paper.pdf

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(wú)法回答的問(wèn)題

  Pranav Rajpurkar, Robin Jia, Percy Liang

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(lái)回答問(wèn)題。不過(guò)對(duì)于正確答案沒(méi)有明示在閱讀文本中的問(wèn)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(wèn)答數(shù)據(jù)集，要么只關(guān)注了可回答的問(wèn)題，要么使用自動(dòng)生成的無(wú)法回答的問(wèn)題，很容易識(shí)別出來(lái)。為了改善這些問(wèn)題，作者們提出了 SQuAD 2.0 數(shù)據(jù)集，這是斯坦福問(wèn)答數(shù)據(jù)集 SQuAD 的最新版本。SQuAD 2.0 在現(xiàn)有的十萬(wàn)個(gè)問(wèn)題-答案對(duì)的基礎(chǔ)上增加了超過(guò)五萬(wàn)個(gè)無(wú)法回答的問(wèn)題，它們由人類(lèi)眾包者對(duì)抗性地生成，看起來(lái)很像可以回答的問(wèn)題。一個(gè)問(wèn)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(wèn)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(wèn)題。SQuAD 2.0 也設(shè)立了新的人類(lèi)表現(xiàn)基準(zhǔn)線(xiàn)，EM 86.831，F(xiàn)1 89.452。對(duì)于現(xiàn)有模型來(lái)說(shuō) SQuAD 2.0 是一個(gè)具有挑戰(zhàn)性的自然語(yǔ)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

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

  “更淺的顏色”可能仍然有點(diǎn)暗：建模比較性的顏色描述

  Olivia Winn, Smaranda Muresan

我們提出了一種在顏色描述領(lǐng)域內(nèi)建立基準(zhǔn)比較性形容詞的新范式。給定一個(gè)參考 RGB 色和一個(gè)比較項(xiàng)（例如更亮、更暗），我們的模型會(huì)學(xué)習(xí)建立比較項(xiàng)的基準(zhǔn)，將其作為 RGB 空間中的一個(gè)方向，這樣顏色就會(huì)沿著向量植根于比較色中。

我們的模型產(chǎn)生了比較形容詞的基本表示形式，在期望的改變方向上，平均精確度為 0.65 余弦相似性。與目標(biāo)顏色相比，依據(jù)向量的顏色描述方法 Delta-E 值小于 7，這表明這種方法與人類(lèi)感知的差異非常小。這一方法使用了一個(gè)新創(chuàng)建的數(shù)據(jù)集，該數(shù)據(jù)集來(lái)自現(xiàn)有的標(biāo)記好的顏色數(shù)據(jù)。

論文地址：http://aclweb.org/anthology/P18-2125

榮譽(yù)論文

長(zhǎng)論文（6 篇）

• Coarse-to-Fine Decoding for Neural Semantic Parsing

  Li Dong, Mirella Lapata

  論文地址：https://arxiv.org/abs/1805.04793

• NASH: Toward End-to-End Neural Architecture for Generative Semantic Hashing

  Dinghan Shen, Qinliang Su, Paidamoyo Chapfuwa, Wenlin Wang, Guoyin Wang, Lawrence Carin, Ricardo Henao

  論文地址：https://arxiv.org/abs/1805.05361

• Backpropagating through Structured Argmax using a SPIGOT

  Hao Peng, Sam Thomson, Noah A. Smith

  論文地址：https://homes.cs.washington.edu/~hapeng/paper/peng2018backprop.pdf

• Hierarchical Neural Story Generation

  Angela Fan, Mike Lewis, Yann Dauphin

  論文地址：https://arxiv.org/abs/1805.04833

• Semantically Equivalent Adversarial Rules for Debugging NLP Models

  Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin

  論文地址：https://homes.cs.washington.edu/~marcotcr/acl18.pdf

• Large-Scale QA-SRL Parsing
  

  Nicholas FitzGerald, Julian Michael, Luheng He, Luke Zettlemoyer

  論文地址：https://arxiv.org/abs/1805.05377

短論文（2 篇）

• Jointly Predicting Predicates and Arguments in Neural Semantic Role Labeling

  Luheng He, Kenton Lee, Omer Levy, Luke Zettlemoyer

  論文地址：https://arxiv.org/abs/1805.04787

• Do Neural Network Cross-Modal Mappings Really Bridge Modalities？

  Guillem Collell, Marie-Francine Moens

  論文地址：https://arxiv.org/abs/1805.07616

最佳 demo 論文

Out-of-the-box Universal Romanization Tool

Ulf Hermjakob, Jonathan May，Kevin Knight

論文摘要：我們想介紹 uroman，這個(gè)工具可以把五花八門(mén)的語(yǔ)言和文字（如中文、阿拉伯語(yǔ)、西里爾文）轉(zhuǎn)換為普通拉丁文。該工具基于 Unicode 數(shù)據(jù)以及其他表，可以處理幾乎所有的字符集（包括一些晦澀難懂的語(yǔ)言比如藏文和提非納文）。uroman 還可以將不同文本中的數(shù)字轉(zhuǎn)換為阿拉伯?dāng)?shù)字。羅馬化讓比較不同文本的字符串相似性變得更加容易，因?yàn)椴辉傩枰獙煞N文字翻譯成中間文字再比較。本工具作為一個(gè) Perl 腳本，可以免費(fèi)提供，可用于數(shù)據(jù)處理管道和交互式演示網(wǎng)頁(yè)。

論文地址：http://aclweb.org/anthology/P18-4003

Amazon Door Prize

• Wanxiang Che，哈爾濱工業(yè)大學(xué)

• Prachi Manchanda，德里理工學(xué)院（Netaji Subhas Institute of Technology）

• Fuli Luo，北京大學(xué)

• Nikhilesh Bhatnagar，海得拉巴國(guó)際信息技術(shù)研究所（IIIT Hyderabad）

• Wei Xue，佛羅里達(dá)國(guó)際大學(xué)（Florida International University）

• Sam Wei，悉尼大學(xué)（University of Sydney）

• Samir Kumar，M12

• Jin-ge Yao，北京大學(xué)&微軟

ACL 終身成就獎(jiǎng)

ACL 終身成就獎(jiǎng)由 Mark Steedman 獲得，他出生于 1946 年，1968 年畢業(yè)于蘇塞克斯大學(xué)（University of Sussex），1973年，獲得愛(ài)丁堡大學(xué)人工智能博士學(xué)位（論文：《音樂(lè)知覺(jué)的形式化描述》）。此后，他曾擔(dān)任華威大學(xué)心理學(xué)講師，愛(ài)丁堡大學(xué)計(jì)算機(jī)語(yǔ)言學(xué)講師，賓夕法尼亞大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院副教授，也曾在德克薩斯大學(xué)奧斯汀分校，奈梅亨馬克斯普朗克心理語(yǔ)言研究所和費(fèi)城賓夕法尼亞大學(xué)擔(dān)任過(guò)訪(fǎng)問(wèn)學(xué)者。

目前他擔(dān)任愛(ài)丁堡大學(xué)信息學(xué)院認(rèn)知科學(xué)系主任，主要研究領(lǐng)域有計(jì)算語(yǔ)言學(xué)、人工智能和認(rèn)知科學(xué)、AI 會(huì)話(huà)的有意義語(yǔ)調(diào)生成、動(dòng)畫(huà)對(duì)話(huà)、手勢(shì)交流以及組合范疇語(yǔ)法（Combinatory categorial grammar，CCG）等。此外，他對(duì)計(jì)算音樂(lè)分析和組合邏輯等領(lǐng)域也很感興趣。雷鋒網(wǎng) 雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。