本周不容错过的的9篇NLP论文 | PaperDaily #21

本周不容错过的的9篇NLP论文 | PaperDaily #21

张俊张俊
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。

Learning Structured Representation for Text Classification via Reinforcement Learning

@paperweekly 推荐

#Text Classification

将强化学习应用于文本分类任务中,已被 AAAI2018录用。作者团队在上期 PhD Talk 中对本文做过在线解读。

实录回顾:清华大学冯珺:基于强化学习的关系抽取和文本分类

论文链接:paperweekly.site/papers

Reinforcement Learning for Relation Classification from Noisy Data

@paperweekly 推荐

#Relation Extraction

将强度学习应用于关系抽取任务中,取得了不错的效果。本文已被 AAAI2018 录用。作者团队在上期 PhD Talk 中对本文做过在线解读。

实录回顾:清华大学冯珺:基于强化学习的关系抽取和文本分类

论文链接:paperweekly.site/papers

Generative Adversarial Network for Abstractive Text Summarization

@zhangjun 推荐

#Text Summarization

尝试用 GAN 来解决 Abstractive Summarization 任务,并在 CNN/Daily Mail 数据集上取得了不错的效果,工作已被 AAAI2018 录用。论文只有少量信息,可结合补充材料进行阅读。

论文链接:paperweekly.site/papers

补充材料:likicode.com/textsum/

Investigating Inner Properties of Multimodal Representation and Semantic Compositionality with Brain-based Componential Semantics

@shaonan 推荐

#Representation Learning

利用人脑的成分语义表征来解释词汇表示向量和向量组合的过程,深度理解不同类型的词汇表示中到底蕴含了什么样的信息,词义组合到底组合了什么。

论文链接:paperweekly.site/papers

Neural Text Generation: A Practical Guide

@paperweekly 推荐

#Seq2Seq

本文是一篇 Practical Guide,讲了很多用端到端方法来做文本生成问题时的细节问题和技巧,值得一看。

论文链接:paperweekly.site/papers

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,来让 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:paperweekly.site/papers

Machine Translation Using Semantic Web Technologies: A Survey

@zhangjun 推荐

#Neural Machine Translation

本文是一篇综述文章,用知识图谱来解决机器翻译问题。

论文链接:paperweekly.site/papers

Decoding with Value Networks for Neural Machine Translation

@xwzhong 推荐

#Neural Machine Translation

seq2seq 运用于翻译,在 decoder 部分,beam search 引入了 reinforcement learning,使当前 step 考虑了 BLEU。从其它角度讲,是不是也可以使用 RL 思想在 seq2seq 模型中引入其它知识。

论文链接:paperweekly.site/papers

End-to-End Optimization of Task-Oriented Dialogue Model with Deep Reinforcement Learning

@paperweekly 推荐

#Dialog Systems

一篇基于强化学习的端到端对话系统研究工作,来自 CMU 和 Google。

论文链接:paperweekly.site/papers


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

「真诚赞赏,手留余香」
1 人赞赏
夕小瑶Elsa
文章被以下专栏收录
还没有评论
推荐阅读