亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

【導讀】計算語言學協會（the Association for Computational Linguistics, ACL）年度會議作為頂級的國際會議，在計算語言學和自然語言處理領域一直備受關注。其接收的論文覆蓋了語義分析、文本挖掘、信息抽取、問答系統、機器翻譯、情感分析和意見挖掘等眾多自然語言處理領域的研究方向。今年，第58屆計算語言學協會（the Association for Computational Linguistics, ACL）年度會議將于2020年7月5日至10日在美國華盛頓西雅圖舉行。受COVID-19疫情影響，ACL 2020將全部改為線上舉行。本次ACL大會共提交了3429篇論文，共有571篇長論文、以及208篇短論文入選。不久之前，專知小編為大家整理了大會的圖神經網絡（GNN）相關論文，這期小編繼續為大家奉上ACL 2020圖神經網絡（GNN）相關論文-Part 2供參考——多文檔摘要、多粒度機器閱讀理解、帖子爭議檢測、GAE。

ACL2020GNN_Part1、WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、CIKM2019GNN、ICLR2020GNN

1. Leveraging Graph to Improve Abstractive Multi-Document Summarization

作者：Wei Li, Xinyan Xiao, Jiachen Liu, Hua Wu, Haifeng Wang, Junping Du

摘要：捕捉文本單元之間關系圖對于從多個文檔中檢測顯著信息和生成整體連貫的摘要有很大好處。本文提出了一種神經抽取多文檔摘要(MDS)模型，該模型可以利用文檔的常見圖表示，如相似度圖和話語圖（discourse graph），來更有效地處理多個輸入文檔并生成摘要。我們的模型使用圖對文檔進行編碼，以捕獲跨文檔關系，這對于總結長文檔至關重要。我們的模型還可以利用圖來指導摘要的生成過程，這有利于生成連貫而簡潔的摘要。此外，預訓練的語言模型可以很容易地與我們的模型相結合，進一步提高了摘要的性能。在WikiSum和MultiNews數據集上的實驗結果表明，所提出的體系結構在幾個強大的基線上帶來了實質性的改進。

網址： //arxiv.org/abs/2005.10043

2. Document Modeling with Graph Attention Networks for Multi-grained Machine Reading Comprehension

作者：Bo Zheng, Haoyang Wen, Yaobo Liang, Nan Duan, Wanxiang Che, Daxin Jiang, Ming Zhou, Ting Liu

摘要：“自然問題”是一種具有挑戰性的新的機器閱讀理解基準，其中包含兩個答案：長答案（通常是一個段落）和短答案（長答案中的一個或多個實體）。盡管此基準測試的現有方法很有效，但它們在訓練期間單獨處理這兩個子任務，忽略了它們間的依賴關系。為了解決這個問題，我們提出了一種新穎的多粒度機器閱讀理解框架，該框架專注于對文檔的分層性質進行建模，這些文檔具有不同的粒度級別：文檔、段落、句子和詞。我們利用圖注意力網絡來獲得不同層次的表示，以便它們可以同時學習。長答案和短答案可以分別從段落級表示和詞級表示中提取。通過這種方式，我們可以對兩個粒度的答案之間的依賴關系進行建模，以便為彼此提供證據。我們聯合訓練這兩個子任務，實驗表明，我們的方法在長答案和短答案標準上都明顯優于以前的系統。

網址：

代碼鏈接：

3. Integrating Semantic and Structural Information with Graph Convolutional Network for Controversy Detection

作者：Lei Zhong, Juan Cao, Qiang Sheng, Junbo Guo, Ziang Wang

摘要：識別社交媒體上有爭議的帖子是挖掘公眾情緒、評估事件影響、緩解兩極分化觀點的基礎任務。然而，現有的方法不能1)有效地融合來自相關帖子內容的語義信息；2)保留回復關系建模的結構信息；3)正確處理與訓練集中主題不同的帖子。為了克服前兩個局限性，我們提出了主題-帖子-評論圖卷積網絡(TPC-GCN)，它綜合了來自主題、帖子和評論的圖結構和內容的信息，用于帖子級別的爭議檢測。對于第三個限制，我們將模型擴展到分離的TPC-GCN(DTPC-GCN)，將主題相關和主題無關的特征分離出來，然后進行動態融合。在兩個真實數據集上的大量實驗表明，我們的模型優于現有的方法。結果和實例分析表明，該模型能夠將語義信息和結構信息有機地結合在一起，具有較強的通用性。

網址：

4. Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward

作者：Luyang Huang, Lingfei Wu, Lu Wang

摘要：用于抽取摘要的序列到序列（sequence-to-sequence ）模型已經被廣泛研究，但是生成的摘要通常受到捏造的內容的影響，并且經常被發現是near-extractive的。我們認為，為了解決這些問題，摘要生成器應通過輸入獲取語義解釋，例如通過結構化表示，以允許生成更多信息的摘要。在本文中，我們提出了一種新的抽取摘要框架--Asgard，它具有圖形增強和語義驅動的特點。我們建議使用雙重編碼器-序列文檔編碼器和圖形結構編碼器-來保持實體的全局上下文和局部特征，并且相互補充。我們進一步設計了基于多項選擇完形填空測試的獎勵，以驅動模型更好地捕捉實體交互。結果表明，我們的模型在紐約時報和CNN/每日郵報的數據集上都比沒有知識圖作為輸入的變體產生了更高的Rouge分數。與從大型預訓練的語言模型中優化的系統相比，我們也獲得了更好或可比的性能。評委進一步認為我們的模型輸出信息更豐富，包含的不實錯誤更少。

網址：

5. A Graph Auto-encoder Model of Derivational Morphology

作者：Valentin Hofmann, Hinrich Schutze, Janet B. Pierrehumberty

摘要：關于派生詞的形態良好性(morphological well-formedness, MWF)建模工作在語言學中被認為是一個復雜而困難的問題，并且這方面的研究工作較少。我們提出了一個圖自編碼器學習嵌入以捕捉派生詞中詞綴和詞干的兼容性信息。自編碼器通過將句法和語義信息與來自心理詞典的關聯信息相結合，很好地模擬了英語中的MWF。

網址：

【導讀】數據挖掘頂會KDD 2020接收論文列表已公布，你的文章中了嗎？

KDD2020官方今日發布接收論文，共有1279篇論文提交到Research Track，共有216篇接受，接受率16.8%。

ACM SIGKDD（國際數據挖掘與知識發現大會，簡稱 KDD）是世界數據挖掘領域的最高級別的學術會議，由 ACM 的數據挖掘及知識發現專委會（SIGKDD）主辦，被中國計算機協會推薦為 A 類會議。

自 1995 年以來，KDD 已經連續舉辦了二十余屆大會，今年是第26屆。今年的 KDD 大會將于 2020 年 8 月 23 日 ~27 日在美國美國加利福尼亞州圣地亞哥舉行。

【導讀】計算語言學協會（the Association for Computational Linguistics, ACL）年度會議作為頂級的國際會議，在計算語言學和自然語言處理領域一直備受關注。其接收的論文覆蓋了語義分析、文本挖掘、信息抽取、問答系統、機器翻譯、情感分析和意見挖掘等眾多自然語言處理領域的研究方向。今年，第58屆計算語言學協會（the Association for Computational Linguistics, ACL）年度會議將于2020年7月5日至10日在美國華盛頓西雅圖舉行。受COVID-19疫情影響，ACL 2020將全部改為線上舉行。為此，專知小編提前為大家整理了ACL 2020圖神經網絡（GNN）相關論文，讓大家先睹為快——事實驗證、法律文書、謠言檢測、自動摘要、情感分析。

WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、CIKM2019GNN、ICLR2020GNN、EMNLP2019GNN、ICCV2019GNN_Part2、ICCV2019GNN_Part1、NIPS2019GNN、IJCAI2019GNN_Part1、IJCAI2019GNN_Part2、KDD2019GNN、ACL2019GNN、CVPR2019GNN、ICML2019GNN

1. Fine-grained Fact Verification with Kernel Graph Attention Network

作者：Zhenghao Liu, Chenyan Xiong, Maosong Sun, Zhiyuan Liu

摘要：事實驗證（Fact V erification）需要細粒度的自然語言推理能力來找到微妙的線索去識別句法和語義上正確但沒有強有力支持的聲明（well-supported claims）。本文提出了基于核方法的圖注意力網絡(KGAT)，該網絡使用基于核的注意力進行更細粒度的事實驗證。給定一個聲明和一組形成證據圖潛在證據的句子，KGAT在圖注意力網絡中引入了可以更好地衡量證據節點重要性的節點核，以及可以在圖中進行細粒度證據傳播的邊緣核，以實現更準確的事實驗證。KGAT達到了70.38%的FEVER得分，在FEVER上大大超過了現有的事實驗證模型（FEVER是事實驗證的大規模基準）。我們的分析表明，與點積注意力相比，基于核的注意力更多地集中在證據圖中的相關證據句子和有意義的線索上，這是KGAT有效性的主要來源。

網址：//arxiv.org/pdf/1910.09796.pdf

2. Distinguish Confusing Law Articles for Legal Judgment Prediction

作者：Nuo Xu, Pinghui Wang, Long Chen, Li Pan, Xiaoyan Wang, Junzhou Zhao

摘要：法律審判預測（LJP）是在給出案件事實描述文本的情況下，自動預測案件判決結果的任務，其在司法協助系統中具有良好的應用前景，為公眾提供方便的服務。實際上，由于適用于類似法律條款的法律案件很容易被誤判，經常會產生混淆的指控。在本文中，我們提出了一個端到端的模型--LADAN來解決LJP的任務。為了解決這一問題，現有的方法嚴重依賴領域專家，這阻礙了它在不同法律制度中的應用。為了區分混淆的指控，我們提出了一種新的圖神經網絡來自動學習混淆法律文章之間的細微差別，并設計了一種新的注意力機制，該機制充分利用學習到的差別從事實描述中提取令人信服的鑒別特征。在真實數據集上進行的實驗證明了我們的LADAN算法的優越性。

網址：

3. GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media

作者：Yi-Ju Lu, Cheng-Te Li

摘要：本文解決了在更現實的社交媒體場景下的假新聞檢測問題。給定源短文本推文和相應的沒有文本評論的轉發用戶序列，我們的目的是預測源推文是否是假的，并通過突出可疑轉發者的證據和他們關注的詞語來產生解釋。為了實現這一目標，我們提出了一種新的基于神經網絡的模型--圖感知協同注意網絡(GCAN)。在真實推文數據集上進行的廣泛實驗表明，GCAN的平均準確率比最先進的方法高出16%。此外，案例研究還表明，GCAN可以給出合理的解釋。

網址：

4. Heterogeneous Graph Neural Networks for Extractive Document Summarization

作者：Danqing Wang, Pengfei Liu, Yining Zheng, Xipeng Qiu, Xuanjing Huang

摘要：作為提取文檔摘要的關鍵步驟，跨句關系學習已經有了大量的研究方法。一種直觀的方法是將它們放入基于圖的神經網絡中，該網絡具有更復雜的結構來捕獲句間關系。本文提出了一種基于圖的異構神經網絡抽取摘要算法(HeterSUMGraph)，該算法除句子外，還包含不同粒度的語義節點。這些額外的結點起到句子之間的中介作用，豐富了句子之間的關系。此外，通過引入文檔節點，我們的圖結構可以靈活地從單文檔設置自然擴展到多文檔設置。據我們所知，我們是第一個將不同類型的節點引入到基于圖的神經網絡中進行提取文檔摘要的，我們還進行了全面的定性分析，以考察它們的好處。

網址：

代碼鏈接：

5. Relational Graph Attention Network for Aspect-based Sentiment Analysis

作者：Kai Wang, Weizhou Shen, Yunyi Yang, Xiaojun Quan, Rui Wang

摘要：Aspect級的情感分析旨在確定在線評論中對某一特定方面的情感極性。最近的大多數努力采用了基于注意力的神經網絡模型來隱式地將aspect與觀點詞聯系起來。然而，由于語言的復雜性和單句中多個aspect的存在，這些模型往往混淆了它們之間的聯系。在本文中，我們通過對語法信息進行有效的編碼來解決這個問題。首先，我們通過重塑和修剪常規依賴關系樹，定義了一個以目標方面為根的統一的面向aspect的依賴樹結構。然后，我們提出了一種關系圖注意力網絡(R-GAT)來編碼新的樹結構用于情感預測。我們在SemEval 2014和Twitter數據集上進行了廣泛的實驗，實驗結果證實，該方法可以更好地建立aspect和觀點詞之間的聯系，從而顯著提高了圖注意網絡(GAT)的性能。

網址：

【導讀】自然語言處理頂會ACL2020本周公布了接受論文，在這里專知小編整理20篇ACL2020論文，來自世界各地頂級學術單位，涉及BERT、表示學習、對話、偏見等，看下2020NLP在研究什么

The 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020) 將于2020年7月5日至10日在美國華盛頓州西雅圖舉行。ACL年會是計算語言學和自然語言處理領域最重要的頂級國際會議，CCF A類會議，由計算語言學協會主辦，每年舉辦一次。其接收的論文覆蓋了對話交互系統、語義分析、摘要生成、信息抽取、問答系統、文本挖掘、機器翻譯、語篇語用學、情感分析和意見挖掘、社會計算等自然語言處理領域眾多研究方向。該會議的論文基本代表自然語言處理領域最新研究進展和最高研究水平，受到學術界和產業界的高度關注。

1. BPE-Dropout:簡單有效的子詞正則化，Simple and Effective Subword Regularization，俄羅斯Yandex //arxiv.org/abs/1910.13267

2. 預訓練語言模型中的跨語言結構，Emerging Cross-lingual Structure in Pretrained Language Models，Facebook

3. 大規模無監督跨語言表示學習，Unsupervised Cross-lingual Representation Learning at Scale，Facebook AI

4. 學習魯棒度量的文本生成，BLEURT: Learning Robust Metrics for Text Generation，Google

5. 基于領域自適應的減少神經機器翻譯中的性別偏見，Reducing Gender Bias in Neural Machine Translation as a Domain Adaptation Problem，劍橋大學

6. 在語言模型中注入數值推理技巧，Injecting Numerical Reasoning Skills into Language Models，Allen AI

7. 多輪對話數據集，MuTual: A Dataset for Multi-Turn Dialogue Reasoning，浙大，微軟

8. TAPAS:通過預訓練進行的弱監督表解析，TAPAS: Weakly Supervised Table Parsing via Pre-training，谷歌

9. 提高神經語言模型句法能力，An analysis of the utility of explicit negative examples to improve the syntactic abilities of neural language models，谷歌

10. 多級學習排序的層次實體標注，Hierarchical Entity Typing via Multi-level Learning to Rank，霍普金斯大學

11. 數據操作:通過學習增加和調整權重，實現有效的實例學習，生成神經對話，Data Manipulation: Towards Effective Instance Learning for Neural Dialogue Generation via Learning to Augment and Reweight，中科院計算所

12. 法律判決，Distinguish Confusing Law Articles for Legal Judgment Prediction，西安交大

13. MobileBERT:用于資源受限設備的任務無關“瘦版”BERT，MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited Devices，谷歌

14. 信息論探索語言結構，Information-Theoretic Probing for Linguistic Structure，劍橋

15. 多方對話學習層次結構，Transformers to Learn Hierarchical Contexts in Multiparty Dialogue for Span-based Question Answering，EMORY

16. 對話學習器，Conversation Learner – A Machine Teaching Tool for Building Dialog Managers for Task-Oriented Dialog Systems，微軟

17. 反對網絡仇恨言論的反敘述:數據和策略，Generating Counter Narratives against Online Hate Speech: Data and Strategies

18. 多語言序列標記的結構層次知識提取，Structure-Level Knowledge Distillation For Multilingual Sequence Labeling，上科大，阿里巴巴達摩院

19. 基于角色感知獎勵分解的多代理面向任務的對話策略學習，Multi-Agent Task-Oriented Dialog Policy Learning with Role-Aware Reward Decomposition，清華大學

20. FastBERT：一種具有自適應推理時間的自適應BERT?，FastBERT: a Self-distilling BERT with Adaptive Inference Time，北京大學，騰訊

【導讀】自然語言處理領域頂級會議ACL 2020，由于全球新冠肺炎疫情暴發，將改為在線舉辦。昨天ACL組委會發布了接受論文通知，你的論文中了嗎？眾多作者也紛紛發布自己中的論文。值得注意的是，由于全球新冠肺炎疫情暴發，將改為在線舉辦。

今年ACL投稿論文達到3000+篇，ACL 2020的審稿周期從19年的12月9日一直到20年的4月3日接近4個月時間，評審細致，競爭激烈！

The 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020) 將于2020年7月5日至10日在美國華盛頓州西雅圖舉行。ACL年會是計算語言學和自然語言處理領域最重要的頂級國際會議，CCF A類會議，由計算語言學協會主辦，每年舉辦一次。其接收的論文覆蓋了對話交互系統、語義分析、摘要生成、信息抽取、問答系統、文本挖掘、機器翻譯、語篇語用學、情感分析和意見挖掘、社會計算等自然語言處理領域眾多研究方向。該會議的論文基本代表自然語言處理領域最新研究進展和最高研究水平，受到學術界和產業界的高度關注。

值得一提的是，為了應對新冠肺炎的影響，大會主席Dan Jurafsky發信確認，ACL2020將在線舉辦。

ACL 2020 論文搶鮮看！

哈工大SCIR八篇長文被ACL 2020錄用（授權轉載來自哈工大社會計算與信息檢索研究中心公眾號，哈工大SCIR） //mp.weixin.qq.com/s/sFUO02l-RfF7OsAMAoi_lQ

題目：Conversational Graph Grounded Policy Learning for Open-Domain Conversation Generation

作者：徐俊，王海峰，牛正雨，吳華，車萬翔，劉挺

摘要：我們提出用圖的形式捕捉對話轉移規律作為先驗信息，用于輔助開放域多輪對話策略學習。基于圖，我們設計策略學習模型指導更加連貫和可控的多輪對話生成。首先，我們從對話語料庫中構造一個對話圖（CG），其中頂點表示“what to say”和“how to say”，邊表示對話當前句與其回復句之間的自然轉換。然后，我們提出了一個基于CG的策略學習框架，該框架通過圖形遍歷進行對話流規劃，學習在每輪對話時從CG中識別出哪個頂點和如何從該頂點來指導回復生成。我們可以有效地利用CG來促進對話策略學習，具體而言：（1）可以基于它設計更有效的長期獎勵；（2）它提供高質量的候選操作；（3）它讓我們對策略有更多的控制。我們在兩個基準語料庫上進行了實驗，結果證明了本文所提框架的有效性。

題目：Document Modeling with Graph Attention Networks for Multi-grained Machine Reading Comprehension

作者：鄭博，文灝洋，梁耀波，段楠，車萬翔，Daxin Jiang，周明，劉挺

摘要：自然問答（Natural Question）是一個新的具有挑戰性的機器閱讀理解數據集，該數據集對文檔提供兩個粒度的答案，分別是長答案（通常為一個段落）以及短答案（長答案內部一個或多個實體）。盡管現有的閱讀理解方法在該數據集上是有效的，但是它們將兩個粒度的答案視為兩個獨立的任務進行訓練，并且忽略了答案之間的依賴關系。為了解決這個問題，我們提出了一種新的多粒度機器閱讀理解框架，按照文檔的層次結構以四個粒度進行建模，分別是文檔級、段落級、句子級以及詞級別。我們利用圖注意力網絡（Graph Attention Networks）獲取不同級別的表示并使得它們可以被同時學習。長短答案可以分別從段落級以及詞級別表示中提取，通過這種方式，我們可以建模兩種粒度答案之間的關系，使它們互相提供信息。我們聯合訓練這兩個子任務，實驗結果表明，我們的方法是有效的，在長短答案評價標準上都優于之前的系統。

題目：Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog

作者：覃立波，徐嘯，車萬翔，張岳，劉挺

摘要：最近，端到端的任務型對話系統的研究已經取得了巨大的成功。但是，大多數神經網絡模型都依賴于大量的訓練數據，這些數據往往局限于一些特定的領域，例如導航和查詢天氣等領域。這使得現有模型很難泛化到標注數據以外的新領域下。并且，如何有效利用源領域的標注數據來提升較少標注數據的新領域，或者是沒有標注數據的新領域的性能，這樣的工作很少。因此，我們首次在端到端任務型對話系統中提出一個shared-private 框架去顯式學習領域特有的和領域共享的知識。此外，我們提出了一種新穎的動態融合網絡（DF-Net）來動態探索目標領域與每個領域之間的相關性。在兩個公開的數據集上的實驗結果表明我們的模型不僅達到SOTA性能，并且，在few-shot的場景下，我們模型的性能要比之前的最佳模型平均高13.9％ F1 score，這進一步驗證了我們模型的可遷移性。

題目：Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network

作者：侯宇泰，車萬翔，賴勇魁，周之涵，劉一佳，劉晗，劉挺

摘要：在本文中，我們研究了少樣本槽位提取問題（Few-shot Slot-Tagging）。與其他廣泛研究的少樣本問題相比，少樣本槽位提取面臨著“建模標簽間依賴關系”的獨特挑戰。但是，由于不同領域間存在標簽集的差異，我們很難將先前學習的標簽依賴應用于新的領域。為了解決這個問題，我們在CRF中引入了折疊的依賴關系遷移機制（Collapsed Dependency Transfer），通過建模抽象的標簽依賴關系來實現這種遷移。在小樣本和元學習的情景下，CRF的發射概率可以用利用度量學習得到：計算為單詞與每個標簽類別的相似度。為了計算這種相似性，我們在近期的圖像小樣本分類模型TapNet基礎上，利用標簽名稱語義來表示標簽，提出了一種標簽增強的任務自適應投影網絡（L-TapNet）。實驗結果表明，我們的模型在1-shot實驗中以14.14 F1的分數明顯優于最強現有相關系統。

題目：Generate, Delete and Rewrite: A Three-Stage Framework for Improving Persona Consistency of Dialogue Generation

作者：宋皓宇，王琰，張偉男，劉曉江，劉挺

摘要：在對話過程中保持一致的角色屬性信息對人類來說是很容易的，但對機器來說，這仍然是一項有待探索的任務。近幾年，基于角色屬性的對話生成任務被提出來，旨在通過在對話生成模型中加入顯式的角色文本來解決屬性一致性問題。雖然現有的基于角色的對話生成模型在生成類似人類的回復上取得了成功，但是它們的單階段解碼框架很難避免生成不一致的角色詞。在這項工作中，我們提出了一個三階段的對話生成框架。該框架使用生成-刪除-重寫機制從生成的原型回復中刪除不一致的詞語，然后進一步將其改寫為屬性信息一致的回復。我們通過人工評價和自動指標進行了評估。在PersonaChat數據集上的實驗表明，我們的方法獲得了非常好的性能。

題目：How Does Selective Mechanism Improve Self-Attention Networks? 作者：耿昕偉，王龍躍，王星，秦兵，劉挺，涂兆鵬 簡介：近年來，在自注意力網絡引入選擇機制使得模型關注其中重要的輸入元素已經取得很好的效果。但是，對于選擇機制取得這樣結果的原因尚不清楚。本文提出一個通用的基于選擇機制的自注意力網絡。傳統的自注意力網絡在順序編碼以及結構信息建模能力存在一些不足，而本文針對其提出相應的假設，并在實驗中驗證假設的正確性。實驗分析發現，將選擇機制引入自注意力網絡的好處在于：（1） 其更多關注周圍詞的信息，從而對周圍詞序的變化比較敏感，使得其更好對順序進行編碼；（2）其對于樹結構重要成分關注度更高，從而其擁有更強的捕捉結構信息的能力。

題目：Slot-consistent NLG for Task-oriented Dialogue System with Iterative Recti?cation Network 作者：李楊名，姚開盛，覃立波，車萬翔，李小龍，劉挺 摘要：基于神經網絡的方法在 NLG 任務上已經取得了不錯的效果。然而，數據驅動類型的模型無法保證魯棒性，例如忽略了一個輸入槽位或生成了多余的槽位。前人的工作將這個問題稱為幻視現象。在這個工作中，我們研究如何通過保證槽位一致性提高 NLG 模型的可靠性。所謂槽位一致性是指模型生成的模板應該和輸入表示語義一致，即具有相同的槽位集合。針對這個問題，我們提出迭代改寫器，它能保證 NLG 模型生成正確而且流利的句子。它包含兩個模塊：（1）基于檢索的自舉抽樣，用于抽樣偽錯數據；（2）策略梯度學習，用于融入離散獎勵，例如不一致懲罰度。我們在 4 個數據集上驗證了模型的有效性，結果顯示我們大大降低了所有基線模型的槽位錯誤率 (ERR) 并達到了目前最好的效果，并且BLEU 的提升和人工校驗的結果也顯示了我們模型提高了生成句子的順暢度。

題目：Towards Conversational Recommendation over Multi-Type Dialogs

作者：柳澤明，王海峰，牛正雨，吳華，車萬翔，劉挺

摘要：真實人機對話，涉及多類型對話（閑聊、任務型對話、問答等），如何自然地融合多類型對話是一個重要的挑戰，為應對這個挑戰，我們提出一個新的任務——多類型對話中的對話式推薦，期望Bot能夠主動且自然地將對話從非推薦對話(比如『問答』)引導到推薦對話，然后基于收集到的用戶興趣及用戶實時反饋通過多次交互完成最終的推薦目標。為便于研究這個任務，我們標注了一個包含多種對話類型、多領域和多種對話邏輯(考慮用戶實時反饋)的human-to-human對話式推薦數據集MultiRec(1萬個對話和16.4萬個utterance)。MultiRec包含多對推薦尋求者(user)和推薦者(bot)的多個序列對話，在每個對話中，推薦者使用豐富的交互行為主動引導一個多類型對話不斷接近推薦目標。這個數據集允許我們系統地調查整個問題的不同部分，例如，如何自然地引導對話，如何與用戶交互以便于推薦。最后，我們使用一個具有多對話目標驅動策略機制的對話生成框架在MultiRec上建立基線結果，表明了該數據集的可用性，并為將來的研究設定了基線。

更多ACL論文列表：

1.自然語言處理模型里的偏見 Predictive Biases in Natural Language Processing Models: A Conceptual Framework and Overview

2. 無監督域聚類Unsupervised Domain Clusters in Pretrained Language Models

3. 邏輯自然語言生成，LogicNLG: Logical Natural Language Generation from Open-Domain Tables

4. 無監督跨語言表示學習，Unsupervised Cross-lingual Representation Learning at Scale

5. 語言和視覺推理的跨模態關聯 Cross-Modality Relevance for Reasoning on Language and Vision

6. 利用合成數據進行零樣本遷移學習，實現多域對話狀態跟蹤，Zero-Shot Transfer Learning with Synthesized Data for Multi-Domain Dialogue State Tracking

7. 多階段蒸餾框架用于大規模多語言NER，Multi-Stage Distillation Framework for Massive Multi-lingual NER

8. 注意力可解釋性 Learning to Deceive with Attention-Based Explanations

更多ACL2020論文傳送門：

1. 如何看待ACL 2020錄用結果？- 知乎

人工智能頂級會議 AAAI 2020 將于 2 月 7 日-2 月 12 日在美國紐約舉辦，不久之前，AAAI 2020 公布論文介紹結果：今年最終收到 8800 篇提交論文，評審了 7737 篇，接收 1591 篇。最近大會公布了所有接受論文列表,已被接受的AAAI-20主會議的論文

地址：

//aaai.org/Conferences/AAAI-20/