本周不容错过的的9篇NLP论文 | PaperDaily #21
在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背后的探索和思考。
在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。
點擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。
這是 PaperDaily 的第?21?篇文章Learning Structured Representation for Text Classification via Reinforcement Learning
@paperweekly 推薦
#Text Classification
將強化學習應用于文本分類任務中，已被 AAAI2018錄用。作者團隊在上期 PhD Talk 中對本文做過在線解讀。
@paperweekly 推薦
#Relation Extraction
將強度學習應用于關系抽取任務中，取得了不錯的效果。本文已被?AAAI2018 錄用。作者團隊在上期?PhD?Talk 中對本文做過在線解讀。
Generative Adversarial Network for Abstractive Text Summarization
@zhangjun 推薦
#Text Summarization
嘗試用 GAN 來解決 Abstractive Summarization 任務，并在 CNN/Daily Mail 數據集上取得了不錯的效果，工作已被 AAAI2018 錄用。論文只有少量信息，可結合補充材料進行閱讀。
Investigating Inner Properties of Multimodal Representation and Semantic Compositionality with Brain-based Componential Semantics
@shaonan 推薦
#Representation Learning
利用人腦的成分語義表征來解釋詞匯表示向量和向量組合的過程，深度理解不同類型的詞匯表示中到底蘊含了什么樣的信息，詞義組合到底組合了什么。
Neural Text Generation: A Practical Guide@paperweekly 推薦
#Seq2Seq
本文是一篇 Practical Guide，講了很多用端到端方法來做文本生成問題時的細節(jié)問題和技巧，值得一看。
Exploring the Syntactic Abilities of RNNs with Multi-task Learning
@Andy 推薦
#Multi-task Learning
本文主要通過了對一致性預測還有 CCG 超標記進行多任務學習，來展示了如何通過多任務學習，來讓 RNN 能夠學習出更加復雜的句法表達。此外還發(fā)現利用一致性預測的訓練數據，也可以提高其他只有有限訓練數據任務的表現。這樣的多任務模型，還可以將語法知識注入進語言模型中去（當然也包括機器翻譯）。
@zhangjun 推薦
#Neural Machine Translation
本文是一篇綜述文章，用知識圖譜來解決機器翻譯問題。
@xwzhong 推薦
#Neural Machine Translation
seq2seq 運用于翻譯，在 decoder 部分，beam search 引入了 reinforcement learning，使當前 step 考慮了 BLEU。從其它角度講，是不是也可以使用 RL 思想在 seq2seq 模型中引入其它知識。
@paperweekly 推薦
#Dialog Systems
一篇基于強化學習的端到端對話系統研究工作，來自 CMU 和 Google。
本文由 AI 學術社區(qū) PaperWeekly 精選推薦，社區(qū)目前已覆蓋自然語言處理、計算機視覺、人工智能、機器學習、數據挖掘和信息檢索等研究方向，點擊「閱讀原文」即刻加入社區(qū)！
我是彩蛋?
?解鎖新功能：熱門職位推薦！
PaperWeekly小程序升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實習都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區(qū)賬號進行登陸
3. 登陸后即可解鎖所有功能
?職位發(fā)布?
請?zhí)砑有≈治⑿?#xff08;pwbot01）進行咨詢
?
長按識別二維碼，使用小程序
*點擊閱讀原文即可注冊
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結
以上是生活随笔為你收集整理的本周不容错过的的9篇NLP论文 | PaperDaily #21的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： CVPR2017有哪些值得读的Image
- 下一篇： 基于神经网络的实体识别和关系抽取联合学习