为期六天的 ACL 于上周在墨尔本会展中心落下帷幕，在这六天时间内，共计八场 tutorial，三百多篇论文展示，十五场 workshop，涉及机器翻译、机器学习、问答系统、信息提取、语义分析等多个方向的研究。毫无疑问，这是一场 NLP 领域的年度盛会。
今年的观众群体一如往昔，从学界的教授、学生，到业界的各类研究人员。虽然角色不一，但对于大部分人来说，参会的目的大同小异：听取会上各式各样的报告，了解学术圈和工业界中一些比较前沿的技术和方向，认识业内人士，展开进一步交流和探讨。
雷锋网此次 ACL 之行采访到腾讯 SNG 数据中心总监刘黎春以及该中心知文团队技术负责人钟黎。作为第一次参加 ACL 的「新人」，刘黎春对 AI 科技评论描述了他的参会体验。
作为腾讯参会代表之一，他在主会这几天，一直忙于与参会学生进行联系与交流。他表示，此行 ACL 的目的一方面是了解学术界和工业界的前沿技术动向，另一方面是建立和高校老师、学生间的联系，交流探讨合作机会，看是否有哪些比较好的技术，能用在自己目前的业务场景下。
他进一步说到，和学生聊完之后也会有诸多收获，「比如我们昨天跟一个 UIUC 的博士生交流，她的博士课题主要是做 representation learning，这次 ACL 的工作是文本相似度计算，其实在我们目前的 QA 技术里，其中一个重要的场景就是解决文本相似度计算的问题。」
刘黎春如是评价 ACL——「面向自然语言处理，更加专业。」结合他此前参加 AAAI 的经验，他对雷锋网表示，ACL 在 NLP 领域更加专业，更加细分，而 AAAI 是一个综合性的 AI 的会议，所以 AAAI 的文章会更多、更杂，包括计算机视觉、机器学习、自然语言处理等。在他看来，虽然这两个会议关注的重点不一样，但参加这两个会议对他们团队都非常有帮助。ACL 可以让他们在 NLP 领域结识更多的学生，包括高校的老师和企业的研究人员。AAAI 则可以看到一些在其他领域比较好的方法，可以尝试是否能将其迁移到 NLP 领域。
热门领域集中在机器翻译和 QA，目前没有较大突破
而针对 ACL 的研究热点，他表示，可以明显看到，不管是投稿文章，还是接收文章，很多都属于 QA、对话和机器翻译领域。「这两年并没有发生太大变化，包括 ACL 2018 的两篇 best paper（Learning to Ask Good Questions: Ranking Clarification Questions using Neural Expected Value of Perfect Information，Know What You Don't Know: Unanswerable Questions for SQuAD），都与 QA 紧密相关。此外，深度学习仍然是这两年的主题，占据统治地位。不仅仅是刘黎春持有以上观点，在这几天的会议上，诸多与 AI 科技评论交流的老师不约而同表达了类似看法——很难看到重大突破。「Attention 仍然是一个非常重要的主题，可以看到超过 90% 的文章都用到 Attention。」
关于 Attention 的典型例子是谷歌在去年六月发表的 Attention Is All You Need 一文，他们提出一个只基于 Attention 的结构来处理机器翻译等与序列模型相关的问题，一改传统基于 RNN 或者 CNN 的模型基础，该模型可以高度并行地工作，在提升翻译性能的同时训练速度也获得了极大提升。这掀起了 Attention 机制的使用热潮。
虽然没有较大的技术突破，但在 ACL 2018 上也能看到一些创新点。「我觉得今年 VAE（Variational Auto-Encode）技术用得比较多，强化学习和对抗学习一直是这两年的热门。」腾讯知文团队负责人钟黎对雷锋网如是说到。
钟黎对雷锋网表示，今年也提出了一些比较有意思的问题。比如说 learning to ask，以前我们做问答都在考虑 learning to answer，现在开始考虑如何问问题。另外也有出现一些新的任务，比如说有篇文章考虑预测对话过程中出现不符合预期的转折，对话会跑偏等，可以提前去判断跑偏情况。
此外，钟黎表示，今年有很多文章都是在生成上做控制，比如说控制文字风格、情感、回复的情况等等。
提到今年的亮点文章，刘黎春与钟黎对清华与微软合作的一篇文章印象深刻。
以前在解决多轮对话的时候，这是一个对业界极具挑战性的问题，但这一次在会上，清华跟微软合作的一篇文章通过反问一些问题，来更好地了解用户在对话里想要达成的目的，更好地去把握用户的意图，给用户提供更好的对话体验。他们如是评价：「这是比较好的一个尝试方向。」
具体说来，这一文章讲到了学习提问（learning to ask），即如何去找到一些更好的提问。会有一些提前设置好的主题词，先定义好 what——做什么，how——怎么做等几种类型，然后根据不同的类型来学习提问，这样可以保持对话的持续性和流畅性，使得对话更加人性化。
自然语言处理顶会上的中文测评系统
当然，在这样一个国际性会议上，不止可以看到一系列最新的计算机技术，还可以看到 AI 对传统语言学产生的影响。来自北京语言大学的助理研究员饶高琦今年在 ACL 上作为 NLPTEA: The 5th Workshop on Natural Language Processing Techniques for Educational Applications workshop 的主席，向雷锋网重点介绍了 CGED（Chinese Grammatical Error Diagnosis）测评系统。
CGED 是自然语言处理领域的权威赛事，由 IJCNLP 联办，今年已是第五届，参赛选手需要用人工智能算法自动识别中文里面的语法错误。
「简单来说，我们的测评是给外国人学汉语做的一个中文语法纠错系统，中国人很少会犯语法错误，但对于学中文的老外来说，这种错误常常发生。此外，儿童在小学、中学等阶段的学习过程中，也很容易犯错。」
饶高琦表示，他们主要教外国人学汉语，有一半的学生来自海外。他们会在课堂上以及一些汉语类考试中积累数据，再将训练集开放出来，然后开发出训练模型，进行自动检错和改正，帮助老外校对中文语法错误。
在去年，阿里巴巴 iDST 团队在 CGED 三个 level 中全面夺冠，今年哈工大、科大讯飞联合拿了第一名，社科院取得了第二名，阿里排名第三。饶高琦表示，目前这个评测系统还比较困难，因为比较缺数据。但他进一步表示，这一系统特别有用。「现在每年新增 210 万注册学生学汉语，这个市场本身很大，但是跟技术存在巨大落差。我想将来这是一个蛮重要的增长点，会引发很多人前来关注。包括企业界已经看到了前景，学术界也有中科院、哈工大、郑州大学、云南大学等参与了这一评测。」
站在语言学家的角度，饶高琦表示，NLP 的发展对语言学提出的一个新挑战就是如何生产 AI 可以用的知识。「以前的语言学就是面向人的知识，但现在主要是面向 AI。什么样的知识可以被 AI 用，这是语言学家现在会更多关注的一个问题，也是我比较关注的一个问题。」
而此外，他也表示，今年成立亚太地区的 AACL，这说明亚洲的研究力量成为不可忽视的群体。不管是这一领域的研究，还是工作机会，一定会越来越多。
当然，以上内容只是 AI 科技评论在 ACL 上的一小部分见闻。在这样一个 AI 迅速发展的时代，AI 科技评论将继续致力于连接学术界与产业界，跟踪学术最新动态，报道产业最新趋势。接下来，AI 科技评论也将与大家相约 KDD、ECCV 等国际性 A 类学术会议，带来更多精彩报道，敬请期待。
相关文章：
ACL 2018 奖项全公布，北大、哈工大上榜，Mark Steedman 获终身成就奖
ACL 2018 现场：设立亚太地区分会 AACL，最热研究当属 Learning
正在生成分享图...
nebula