本周值得读：7份最新「Paper + Code」 | PaperDaily #22
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。 在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。 点击即刻加入社区，查看更多最新论文推荐。
[ 自然语言处理 ]
SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning
@guotong1988 推荐
#Seq2Seq
Text2SQL，根据自然语言生成结构化 SQL 语句。
论文链接：http://www.paperweekly.site/papers/1273
代码链接：https://github.com/xxj96/SQLNet
Dynamic Evaluation of Neural Sequence Models
@utopiar 推荐
#Recurrent Neural Networks
本文提出使用动态评估来改进神经序列模型的性能。 模型通过基于梯度下降的机制适应最近的历史，将以更高概率分配给重新出现的连续模式。动态评估将 Penn Treebank 和 WikiText-2 数据集上的 perplexities 分别提高到 51.1 和 44.3。
论文链接：http://www.paperweekly.site/papers/1279
代码链接：https://github.com/benkrause/dynamic-evaluation
Exploring the Syntactic Abilities of RNNs with Multi-task Learning
@Andy 推荐
#Multi-task Learning
本文主要通过了对一致性预测还有 CCG 超标记进行多任务学习，来展示了如何通过多任务学习，让 RNN 能够学习出更加复杂的句法表达。此外还发现利用一致性预测的训练数据，也可以提高其他只有有限训练数据任务的表现。这样的多任务模型，还可以将语法知识注入进语言模型中去（当然也包括机器翻译）。
论文链接：http://www.paperweekly.site/papers/1235
代码链接：https://github.com/emengd/multitask-agreement
[ 计算机视觉 ]
StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation
@paperweekly 推荐
#GAN
Reddit 热文，利用 GAN 自定义表情和面部特征。StarGAN 是一种全新的可扩展方法，仅使用一个模型就能为多个域执行图像到图像转换。
论文链接：http://www.paperweekly.site/papers/1227
代码链接：https://github.com/yunjey/StarGAN
What is the Role of Recurrent Neural Networks (RNNs) in an Image Caption Generator?
@jamiechoi 推荐
#Image Captioning
文章比较了 RNN 在 image caption 里的两种作用：1. Inject模型：RNN 用来 encode 文字和图片；2. Merge 模型：RNN 只 encode 文字，图片在较后的阶段再与文字信息结合。最后得出结论，Merge 模型较好。
论文链接：http://www.paperweekly.site/papers/1200
代码链接：https://github.com/mtanti/rnn-role
[ 机器学习 ]
Dilated Recurrent Neural Networks
@snowwalkerj 推荐
#RNN
本文提出的 dilated RNN，解决了长程依赖的问题，同时可提高并行率，提高计算速度；提出 Mean Recurrent Length 指标，衡量 RNN 可记忆的时间长度，仅用普通的 RNN 模块在多项任务上达到 state of art 效果。
论文链接：http://www.paperweekly.site/papers/1220
代码链接：https://github.com/code-terminator/DilatedRNN
Multi-Rate Deep Learning for Temporal Recommendation
@Ttssxuan 推荐
#LSTM
使用多种时间粒度进行用户行为预测，并为大量数据提出类似词嵌的预训方法。 使用 DSSM 建模用户静态兴趣，使用一个 LSTM 时序网络建模用户短期兴趣，使用一个 LSTM 时序网络建模全局用户兴趣。
论文链接：http://www.paperweekly.site/papers/1208
代码链接：https://github.com/sonyisme/keras-recommendation
本文由 AI 学术社区 PaperWeekly 精选推荐，社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向，点击即刻加入社区！
我是彩蛋
解锁新姿势：用微信刷论文！
PaperWeekly小程序上线啦
今日arXiv√猜你喜欢√热门资源√
随时紧跟最新最热论文
解锁方式
1. 扫描下方小程序码打开小程序
2. 用PaperWeekly社区账号进行登陆
3. 登陆后即可解锁所有功能
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
微信公众号：PaperWeekly
新浪微博：@PaperWeekly
