how to do good research
goals:
metrics
what you care about (每个人不同)
观众
个人经历
如何成功：1.解决重要问题 2.把问题卖给需要的人
表达形式（组织）重于内容
演讲
目的、组织结构逻辑1234等、如何去表达
重要的话说三遍
paper
面向数学和算法，不同的取舍，不同面向对象
只要不要超过200个词
10-30个ref
易于理解、表达，别人能下载、复现的工作更会流传
2
主要去攻克一个大的问题，然后去想其子问题
从其他领域获取灵感
秘密武器
如何去获取idea：问题易于理解、方法易于描述
beginning researcher–》junior–》senior
reading：catch-up
writing：什么问题、尝试了什么有没有用、graph去描述、下个方向的可能性
ask：带着问题去参加会议或者讲座（包括你最近遇到的问题）
实验过程：记录bug
paper
amr图有cross的问题
非投影弧
amr：基于依存结构的句法
就是构建了一个数据集
amr 单根有向无环图
方法：基于图和基于转移
词向量的evaluation
embedd中的类比、类推关系
翻译集成2
finetune
九歌
先生成再检索（句向量+最大公共子序列）
法律多关键词抽取
就是摘要，曾道建
摘要
很普通的hire+pointer
黄学东
英中翻译：
transformer based
dual leanring增大数据量（中文到英文，再英文到中文）
推敲网络
方向一致性
数据选择、filtering
模型融合
前沿研讨
孙微微
naacl best
elmo：太好用了
之前的word2vec工作，如果用多层lstm，把每一层的vector都拼到一块，而不是最后的一层
传统说句法分析好，但是现在更注重数据，传统的句法结构，是否还有用？ –1.如何结合，2.nn是如何去获取这些语意信息的
句法分析+self attention。emnlp best
传统的任务，
把传统解析树+self attention结合起来
实验在跨领域的评测上鲁棒性很强
acl best qa-srl
标注角色，采用之前的方式，不需要专业背景（标注者），所以构建大规模数据简单
transfer leanring、multitask leanring(acl2017 keynote)
数据很重要！！
张家俊
数据驱动的机器翻译
四个假设：文本翻译、句子为level、自左往右、需要双语对
最核心是学习一个映射函数（source–target）
transformer之后，没有发展！！
映射函数今年没有什么发展！！
对比acl文章，其实没啥区别，从题目上看，但是独有的是： 2017把句法信息放进去domain adaptation，2018UNsupervised、document
那么新的： 语音翻译(acl2018 liuyang)、用到前（后）n个句子的信息（如何对document level去评价）、并行解码(iclr2018)、领域使用(coling2018 a survey)、无监督翻译 学习词与词的映射关系(emnlp2018 best)
dl在nlp遇到瓶颈了！！
jiajia
多模态情感交互之后是什么
高质量数据最重要
2018关键词：多模态、弱监督（海量数据标注很少）、
多任务、attention
1.多模态
直接concat文本信息和cnn表示的图形信息
2.个性化
15年融入真实信息、16年融入社交网络、17年做group、18年做融合
抑郁（depression detection ijcai2018）
总结：目标：social good，带给人更好的感受
用心理学的维度来标定情感、dimensional的方式来标定（三维的点表示很多的词）、而不是简单地分类
冯 文本生成
文本到文本、数据到文本、图像到文本
最重要的：seq2seq、copy、attention
1、生成和抽取相结合
fast
2.与任务结合更紧密
commonsence
映射到知识库、动态和静态的attention
结构语意知识，结构化数据生成、
分割的方式代替卷积平扫
discourse-aware（naacl2018）
3.风格
加入可控因子（语意和风格拆开）
学习不同风格的decoder
4.借鉴人类模式
多次编辑（推敲网络）
xiayance、前后向网络、自动确定解码层数
粗粒度、细粒度
泛化
关系抽取
kb
四件需要做的事情：知识获取+知识融合+知识补充+知识推理
知识补充：现有的知识图谱不完备：链接预测
方法：表示学习。
1.翻译模型transe
2.语意模型
数据：fb15k-237
问题：挖掘必要属性：obligatory attributes
挖掘计数量词（counting quantifiers）
知识融合
任务：实体对奇、本体匹配
知识推理
目标：基于表示学习的规则推理
对话
技术及任务
检索–》翻译–》生成
从匹配到生成的时代
2018sigir conversation Recommend
数据和评测：
yelp数据，推荐式对话
mrc
要素：document、question、candicate、answer
从13年开始算，这个任务，2016squad开始火起来
词云：；wordsift.org