Suda-HLT派员参加IJCNLP-2017 - 版本历史

2018年1月25日 (四) 07:40 Cgong

2018-01-25T07:40:08Z

2018年1月25日 (四) 07:39 Cgong

2018-01-25T07:39:58Z

2018年1月24日 (三) 10:36 Cgong

2018-01-24T10:36:48Z

2018年1月24日 (三) 10:36 Cgong

2018-01-24T10:36:30Z

Cgong：创建页面，内容为“ EMNLP是自然语言处理领域重要的国际学术会议，每年举办一次。其论文代表了自然语言处理最新的发展方向和水平。EMNLP-2017...”

2018-01-24T10:34:18Z

创建页面，内容为“ EMNLP是自然语言处理领域重要的国际学术会议，每年举办一次。其论文代表了自然语言处理最新的发展方向和水平。EMNLP-2017...”

新页面

EMNLP是自然语言处理领域重要的国际学术会议，每年举办一次。其论文代表了自然语言处理最新的发展方向和水平。EMNLP-2017于2017年9月7日至9月11日在丹麦哥本哈根召开。EMNLP被CCF列为B类会议（CCF-B）。

苏州大学计算机学院自然语言处理组共有1篇论文被EMNLP-217录用，第一作者是在读学生龚晨（硕士二年级学生）。龚晨同学前往丹麦参会做现场报告，并和来自于全世界的研究人员交流最新研究进展。论文简介如下：

* Multi-Grained Chinese Word Segmentation
作者：龚晨，李正华，张民，江心舟
内容提要：传统的分词任务普遍为单粒度的形式，即一个句子对应唯一的词语序列。然而，Sproat等人曾通过实验指出以中文为母语的多个标注者在标注同样的语料时，标注一致性仅为76%左右，这表明传统的单粒度分词给人工标注和统计模型都带来了不必要的挑战。同时，具有多种粒度的分词结果能更好地满足不同上层应用的需求。基于这些原因，我们首次提出了中文多粒度分词这个新任务。首先，我们利用现有的三种单粒度分词数据集自动生成了一个大规模的多粒度分词伪数据集用于模型的训练。然后，我们人工标注了1500句多粒度分词数据集用于测试。最后，我们把多粒度分词任务看作短语结构分析和序列标注问题，提出了三种基准方法。实验结果和分析中有很多有趣的发现。

←上一版本		2018年1月25日 (四) 07:40的版本
第8行：		第8行：
	内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。		内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。

−	[[File:~~ijcnlp2017_1~~.jpg\|800px]]	+	[[File:ijcnlp2017.jpg\|800px]]

←上一版本		2018年1月25日 (四) 07:39的版本
第7行：		第7行：
	作者：张月李正华郎君夏庆荣张民		作者：张月李正华郎君夏庆荣张民
	内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。		内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。
		+
		+	[[File:ijcnlp2017_1.jpg\|800px]]

@@ 第2行： / 第2行： @@
 IJCNLP是自然语言处理领域的国际学术会议，每两年举办一次。IJCNLP-2017于2017年11月27日至12月1日在台湾召开。
-苏州大学计算机学院自然语言处理组共有1篇论文被IJCNLP-217录用，第一作者是在读学生张月（硕士三年级学生）。张月同学与李正华老师前往台湾参会做现场报告，并和来自于全世界的研究人员交流最新研究进展。论文简介如下：
+苏州大学计算机学院自然语言处理组共有1篇论文被IJCNLP-2017录用，第一作者是在读学生张月（硕士三年级学生）。张月同学与李正华老师前往台湾参会做现场报告，并和来自于全世界的研究人员交流最新研究进展。论文简介如下：
 * Dependency Parsing with Partial Annotations: An Empirical Comparison
    作者：张月 李正华 郎君 夏庆荣 张民
 内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。

@@ 第1行： / 第1行： @@
-EMNLP是自然语言处理领域重要的国际学术会议，每年举办一次。其论文代表了自然语言处理最新的发展方向和水平。EMNLP-2017于2017年9月7日至9月11日在丹麦哥本哈根召开。EMNLP被CCF列为B类会议（CCF-B）。
+IJCNLP是自然语言处理领域的国际学术会议，每两年举办一次。IJCNLP-2017于2017年11月27日至12月1日在台湾召开。
-苏州大学计算机学院自然语言处理组共有1篇论文被EMNLP-217录用，第一作者是在读学生龚晨（硕士二年级学生）。龚晨同学前往丹麦参会做现场报告，并和来自于全世界的研究人员交流最新研究进展。论文简介如下：
+苏州大学计算机学院自然语言处理组共有1篇论文被IJCNLP-217录用，第一作者是在读学生张月（硕士三年级学生）。张月同学与李正华老师前往台湾参会做现场报告，并和来自于全世界的研究人员交流最新研究进展。论文简介如下：
-* Multi-Grained Chinese Word Segmentation
+* Dependency Parsing with Partial Annotations: An Empirical Comparison
-   作者：龚晨，李正华，张民，江心舟
+   作者：张月 李正华 郎君 夏庆荣 张民
-内容提要：传统的分词任务普遍为单粒度的形式，即一个句子对应唯一的词语序列。然而，Sproat等人曾通过实验指出以中文为母语的多个标注者在标注同样的语料时，标注一致性仅为76%左右，这表明传统的单粒度分词给人工标注和统计模型都带来了不必要的挑战。同时，具有多种粒度的分词结果能更好地满足不同上层应用的需求。基于这些原因，我们首次提出了中文多粒度分词这个新任务。首先，我们利用现有的三种单粒度分词数据集自动生成了一个大规模的多粒度分词伪数据集用于模型的训练。然后，我们人工标注了1500句多粒度分词数据集用于测试。最后，我们把多粒度分词任务看作短语结构分析和序列标注问题，提出了三种基准方法。实验结果和分析中有很多有趣的发现。
+内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。