ACL 2019最佳论文出炉：华人团队包揽最佳长短论文一作，中科院、华为等榜上有名

郭一璞 安妮 边策 发自 凹非寺
量子位 出品 | 公众号 QbitAI

ACL 2019最佳论文新鲜出炉了。

刚刚，自然语言处理领域的顶会ACL 2019公布最佳论文，本次共颁布了4个奖项，共有8个获奖名额，分别是：

• 最佳长论文

• 最佳短论文

• 最佳DEMO论文

• 5篇杰出论文奖

今年，华人一作团队拿下了最佳长论文、最佳短论文和2篇杰出论文，中科院、中国科学院大学、腾讯、华为诺亚方舟实验室、南京理工大学、香港理工大学等榜上有名。

今年的ACL 2019空前热闹。据ACL官方发布的数据显示，今年共收到2906篇投稿，相比于去年的1544篇投稿量增加了75%以上。

来看看今年的最佳论文讲了什么，各个国家、机构的战况又如何：

最佳长论文

最佳长论文获奖者是中国的研究人员，这篇论文名为：

Bridging the Gap between Training and Inference for Neural Machine Translation

△ 图片来自推特用户Aarne Talman

文章来自中科院计算所智能信息处理重点实验室、中国科学院大学Wen Zhang和Yang Feng、腾讯微信AI的Fandong Meng、伍斯特理工学院的Di You和华为诺亚方舟实验室的Qun Liu。

这篇文章研究了应该如何弥合神经机器翻译（NMT）训练和推理之间的差距。

神经机器翻译(NMT)是根据上下文内容预测下一个词的一种方式，推理过程遵循从头开始、按顺序生成整个序列。这就导致由于上下文都未标注产生的累积误差。

此外还有一个挑战是，单词级训练要求生成的序列与ground truth序列严格匹配，这就造成对不同但合理的翻译进行过度校正。

在这篇文章中，研究人员提出了一种解决上述问题的方法，称为过矫正恢复（Overcorrection Recovery，OR)。

简单来说，在训练过程中，不仅从ground truth序列中抽取上下文单词，而且从模型预测的序列中抽取上下文单词，并选择句子级最优的预测序列。

也就是说，在翻译过程中，模型不需要再逐词对比标准来确定损失函数了。

具体来看：

这种方法先从预测单词中选择oracle单词，然后将oracle单词和ground truth单词作为上下文的样例。

同时，oracle单词不仅通过逐字贪婪搜索来选择，还会通过句子级评估（例如BLEU）。在训练开始时，模型以比较大的概率选择上下文真实词，随着模型逐渐收敛，oracle词语被更频繁地选择为上下文。

研究人员在中文->英文和WMT’14英文->德语翻译任务上进行了实验，结果表明，这种新方法可以在多个数据集上实现提升。

他们在RNNsearch模型和Transformer模型上也验证了新方法。结果表明，新方法可以显著提高两种模型的性能。

论文地址：

https://arxiv.org/abs/1906.02448

最佳短论文

△ 来自推特用户Saif M.Mohammad

最佳短论文的一作也是华人，俄亥俄州立大学博士生蒋南江，二作则是该校助理教授Marie-Catherine de Marneffe。

△ 蒋南江，来自她的GitHub自我介绍

这篇论文的标题叫做《你知道佛罗伦萨挤满了游客吗？评估最先进的说话者承诺模型》。在文章开头，研究者们借佛罗伦萨的游客解释了两个问题：

“你知道佛罗伦萨挤满了游客吗？”

这个时候，你可以回答：“知道啊，挺挤的。”

“你觉得佛罗伦萨挤满了游客吗？”

换了两个字，问题就变了，成了一个主观的问题，可以回答“嗯，我这么觉得。”或者“不啊我不这么觉得。”

这里，就牵扯到一个推断说话者承诺（Inferring speaker commitment）的问题，此前的研究里，也将它叫做事件事实（event factuality），搞明白这个问题，对信息提取和问题回答至关重要。

这里，研究者找到了CommitmentBank数据集，画风大概是这样的：

借助这个数据集，研究者们评估了两个目前最高水平的模型，发现它们在否定句和非有效嵌入动词上表现更好，而且语言信息模型优于基于LSTM的模型，能够更成功地扩展到具有挑战性的自然数据。

也就是说，需要语言知识来捕获这些具有挑战性的自然数据。

不过，问题来了，虽然模型在否定句上表现不错，但它们无法推广到自然语言中的各种语言结构，例如条件语句、模态和负增长。

因此，研究者得出了针对这类语言模型的改进方向：为了进行强有力的语言理解，模型需要包含更多的语言预知，并能够推广到更广泛的语言结构。

这也是这篇文章的核心贡献。

Do you know that Florence is packed with visitors?
Evaluating state-of-the-art models of speaker commitment

论文地址：
https://linguistics.osu.edu/people/jiang.1879

最佳Demo论文

△ 来自推特用户Aarne Talman

今年的最佳Demo论文授予了Unbabel团队，他们提出了一个基于Pytorch的开源框架OpenKiwi，用于评估神经机器翻译质量。

Unbabel是一家2013年成立的创业公司，向客户提供人工智能驱动的人工翻译平台，主要专注于客服交流的翻译。其客户包括Booking.com、Facebook等公司。

OpenKiwi支持单词级和句子级质量评估系统的训练和测试，在WMT 2015-18质量评估比赛中获胜。在WMT 2018（英语-德语SMT和NMT）的两个数据集上进行基准测试，OpenKiwi在单词级任务中达到了性能，在句子级任务中接近于最先进的性能。

OpenKiwi的特征有：

训练QE模型和使用预训练模型评估MT的框架；

支持单词和句子级质量评估；

在Pytorch中有5个QE系统的实现：QUETCH、NuQE、predictor-estimator、APE-QE以及一个线性系统的堆栈集合[ 2，3 ]。

易于使用的API，可将其作为包导入其他项目或从命令行运行；

提供脚本在WMT 2018数据上运行预训练QE模型。

通过yaml配置文件轻松跟踪和重现实验。

OpenKiwi: An Open Source Framework for Quality Estimation

论文地址：
https://arxiv.org/abs/1902.08646

代码地址：
https://github.com/Unbabel/OpenKiwi

5篇杰出论文

1、Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts

https://arxiv.org/abs/1906.01267

作者：Rui Xia, Zixiang Ding（南京理工大学）

2、A Simple Theoretical Model of Importance for Summarization

https://www.aclweb.org/anthology/P19-1101

作者：Maxime Peyrard（EPFL）

3、Transferable Multi-Domain State Generator for Task-Oriented Dialogue Systems

https://arxiv.org/abs/1905.08743

作者：Chien-Sheng Wu, Andrea Madotto, Ehsan Hosseini-Asl, Caiming Xiong, Richard Socher and Pascale Fung（香港科技大学、Salesforce等）

4、We need to talk about standard splits

https://wellformedness.com/papers/gorman-bedrick-2019.pdf

作者：Kyle Gorman and Steven Bedrick （纽约城市大学、俄勒冈健康与科学大学等）

5、Zero-Shot Entity Linking by Reading Entity Descriptions

https://arxiv.org/abs/1906.07348

作者：Lajanugen Logeswaran, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, Jacob Devlin and Honglak Lee（密歇根大学、谷歌等）

中美投稿最热情

据ACL官方发布的数据显示，今年共有61个国家的机构提交了论文，其中，美国机构投稿量略高于中国大陆机构投稿数量，英国和德国投稿量分别位于第三和第四。

△ 图片来自ACL官方统计数据

ACL官方数据统计：
http://acl2019pcblog.fileli.unipi.it/?p=152

增长的除了投稿数量，还有接收数量。ACL 2019接收了765篇论文，接受率为25.8%，相较于前两年的24%左右略有上升。

其中，长论文接收了447篇，短论文接收213篇，34篇demo论文被接收，还有71篇student workshop。

接收论文列表：
http://www.acl2019.org/EN/program/papers.xhtml

最近几年ACL的投稿数量也是逐年上升，不过论文接受并没有放宽要求，接收率和前几年差不多。

△ 来自ACL 2019官网

在所有研究领域中，比较热门、投稿量有信息提取和文本挖掘、机器学习和机器翻译，投稿量都超过了200。

就接收率来说，最难的领域是文档分析和句子级语义，接收率不到五分之一。

△ 来自ACL 2019官网

而在所有国家中，投稿最积极的是在中国和美国的学者，各自投了超过800篇论文，但是考虑到许多中国AI领域的学者都是在美国读书，许多篇论文一作虽然是美国高校，但都是中国人，所以中国人对ACL的热情是最高的。

不过接收率上，中国的论文比美国的论文低将近10个点。排除那些投稿较少的国家，将投稿量超过30的国家列出来比一比，会发现接收率最高的前五名分别是新加坡（34.8％）、以色列（34.1％）、英国（29.7％）、美国（28.8％）和德国（28.7％）。

△ 来自ACL 2019官网

在这700多篇论文中，获得最佳论文提名的共有32篇，其中17篇长论文，11篇段论文，还有4篇demo论文。

被提名的论文中，24篇一作来自各大高校和研究所，7篇一作来自产业界，另外一篇来自邢波团队的论文则是署了CMU和邢波创建的公司Petuum两家单位，是产学研结合之作。

从各国来看，一作机构为美国的有14篇，中国6篇（其中一篇两位共同一作分属日本和中国的高校），英国3篇，瑞士和日本各两篇，加拿大、印度、比利时、巴西、韩国、俄罗斯各1篇。

被提名论文数量大于等于两篇的机构中，只有两家公司，一家是Google，有4篇论文都被提名，其中2篇一作；另一家则是华为诺亚方舟实验室，有2篇论文被提名，1篇是一作。

另外，在所有论文被提名的高校和研究机构中，洛桑联邦理工学院、华盛顿大学、爱丁堡大学、丰田工业大学芝加哥分校各有两篇一作论文被提名；CMU有3篇论文被提名，约翰霍普金斯大学、清华大学、艾伦人工智能研究所各有2篇论文被提名，每家也都有一作论文获得提名。

40%提名论文一作为华人

从论文作者角度分析，在这32篇提名论文中，13篇论文的第一作者是华人，占比40%。

这13篇华人一作的论文分别是：

1、Detecting Concealed Information in Text and Speech
作者：Shengli Hu（康奈尔大学）
https://www.aclweb.org/anthology/P19-1039

2、AMR Parsing as Sequence-to-Graph Transduction
作者：Sheng Zhang（约翰霍普金斯大学）等
https://arxiv.org/abs/1905.08704

3、Transferable Multi-Domain State Generator for Task-Oriented
作者：Chien-Sheng Wu（港科大）, Andrea Madotto, Ehsan Hosseini-Asl等
https://arxiv.org/abs/1905.08743

4、A Modularized, Versatile, and Extensible Toolkit for Text Generation
作者：Zhiting Hu胡志挺（CMU）, Haoran Shi, Bowen Tan等
https://www.aclweb.org/anthology/W18-2503

5、Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts
作者：Rui Xia（南京理工），Zixiang Ding
https://arxiv.org/abs/1906.01267

6、Visually Grounded Neural Syntax Acquisition
作者：Haoyue Shi（丰田工业大学芝加哥分校）, Jiayuan Mao, Kevin Gimpel and Karen Livescu
https://arxiv.org/abs/1906.02890

7、An Imitation Learning Approach to Unsupervised Parsing
作者：Bowen Li（爱丁堡大学）, Lili Mou, Frank Keller
https://arxiv.org/abs/1906.02276

8、Decomposable Neural Paraphrase Generation
作者：Zichao Li（华为诺亚方舟实验室）, Xin Jiang, Lifeng Shang and Qun Liu
https://arxiv.org/abs/1906.09741

9、Robust Neural Machine Translation with Doubly Adversarial Inputs
作者：Yong Cheng（Google AI）, Lu Jiang and Wolfgang Macherey
https://arxiv.org/abs/1906.02443

10、Bridging the Gap between Training and Inference for Neural Machine Translation
作者：Wen Zhang（中科院）, Yang Feng, Fandong Meng, Di You and Qun Liu
https://arxiv.org/abs/1906.02448

11、Do you know that Florence is packed with visitors? Evaluating state-of-the-art models of speaker commitment
作者：Nanjiang Jiang（the ohio state uiversity）等

12、ConvLab: Multi-Domain End-to-End Dialog System Platform
作者：Sungjin Lee（微软研究院）, Qi Zhu, Ryuichi Takanobu等
https://arxiv.org/abs/1904.08637

13、Persuasion for Good: Towards a Personalized Persuasive Dialogue System for Social Good
作者：Xuewei Wang（浙大）, Weiyan Shi等
https://arxiv.org/abs/1906.06725

传送门

ACL提名论文名单：
http://www.acl2019.org/EN/nominations-for-acl-2019-best-paper-awards.xhtml