第 54 届国际计算语言学协会(ACL) 年会 ACL 2016 正在柏林洪堡大学召开(8.7-8.12)。作为国际上最具影响的计算语言学及自然语言处理学术会议之一,机器之心极为关注 ACL 2016。在过去一段时间里,我们已经发布三篇文章介绍 ACL 2016 接收的优秀论文:《ACL2016即将召开,10大优秀论文先睹为快》、《自然语言顶级会议ACL 2016谷歌论文汇集》、《微软ACL 2016论文汇集,自然语言技术逼近人类对话水平》。
在此篇文章中,我们将介绍最新公布的 ACL 2016 终身成就奖、最佳论文、最佳学生论文。
一、终身成就奖(Lifetime Achievement Award)
今年的终身成就奖的获得者是斯坦福大学人文荣誉退休 Sadie Dernham Patek 教授 Joan Wanda Bresnan,以表彰她在词汇功能语法上的工作。
Joan Bresnan 1966 年本科毕业于里德学院哲学系,1972 年获得麻省理工学院语言学博士学位(导师是著名语言学家、认知科学家、逻辑学家诺姆·乔姆斯基)。她曾在马萨诸塞大学阿默斯特分校、麻省理工学院和斯坦福大学担任教职,现在是斯坦福大学的人文荣誉退休 Sadie Dernham Patek 教授及斯坦福大学语言与信息研究中心(CSLI)高级研究员。她从许多角度编写了更高层次的语言结构(syntax),是词汇功能语法( lexical-functional grammar)的主要设计者之一。她曾被选为美国语言学会(LSA)主席、LSA 首届会士、美国艺术与科学院院士、英国国家学术院 Corresponding Fellow、认知科学学会会士、行为科学高级研究中心学者、古根海姆学者、坎特伯雷大学 Erskine 学者、弗莱堡高等研究所学者、巴黎 LabEx 实证基础语言学基金会定量与实验语言学国际主席。她是《美国传统词典》用法审定小组成员。她在 CSLI 的 Spoken Syntax 实验室是她与当地和国际上的同事与学生研究合作的基地,她是美国国家科学基金会的一些项目的主要研究者。
历年终身成就奖回顾:
Eugene Charniak (2011) ——布朗大学计算机科学和认知科学教授、美国人工智能学会(AAAI)会士
William A. Woods (2010)——自然语言处理、连续语音理解、知识表征、语义网络和基于知识的搜索技术研究者
Fred Jelinek (2009) ——信息论、自动语音识别和自然语言处理研究者,曾就职于康奈尔大学、IBM 和约翰斯·霍普金斯大学
Eva Hajičová (2006)——捷克语言学家,专注研究话题-焦点连接(Topic/FocusArticulation)和语料语言学
Martin Kay (2005)——斯坦福大学语言学教授,德国萨尔大学计算语言学荣誉教授
Karen Spärck Jones (2004)——剑桥大学计算机实验室计算机科学家
長尾真(Makoto Nagao) (2003)——日本计算机科学家,东京大学第 23 任校长,日本国立国会图书馆第 14 任馆长
Aravind Joshi (2002)——宾夕法尼亚大学计算机和认知科学教授,他定义了树邻接文法形式( tree-adjoining grammar formalism)
李生(2015)——哈尔滨工业大学计算机科学与工程学院教授、教育部语言语音重点实验室主任
Robert L. Mercer (2014) ——计算机科学家、Renaissance Technologies 公司联合 CEO
Jerry Hobbs (2013) ——著名计算语言学、话语分析和人工智能研究科学家,国际计算语言学协会(ACL)前主席,美国人工智能学会(AAAI)会士
Charles Fillmore (2012) ——加州大学伯克利分校语言学教授、格理论(case theory)和构式语法(construction grammar)的发明者之一
Yorick Wilks (2008)——英国谢菲尔德大学人工智能名誉教授,计算机科学家,牛津大学互联网研究所高级研究员,佛罗里达人类和机器认知研究所资深科学家
Lauri Karttunen (2007)——斯坦福大学语言学顾问教授,国际计算语言学协会(ACL)会士
二、最佳论文奖(Best Paper Award )
本届 ACL 的最佳论文是 E. Dario Gutierrez (加州大学伯克利分校)、Roger Levy(MIT)和 Benjamin K. Bergen(加州大学圣迭戈分校)的《Finding Non-Arbitrary Form-Meaning Systematicity Using String-Metric Learning for Kernel Regression》。
使用核方法的字符串度量学习寻找非任意性的形式-含义系统性
摘要:符号的任意性(arbitrariness of the sign)——词的形式与它们的含义不相关的概念——是许多语言学理论的基本假设。最近有两项不同的研究已经对这一假设构成了挑战,但它们产生了对语言中非任意性(non-arbitrariness)的不同特征描述。行为和语料研究已经证实了在词汇库(lexicon)的有限子集中显露出的局部形式-意义(form-meaning)模式的有效性。与此同时,全局(词汇库级)的统计分析反而找到了词汇库整体上的弥散形式-意义系统性(diffuse form-meaning systematicity)。我们使用一种可以同时检测语言中局部的和全局的形式-意义系统性的方法在两者之间搭建了桥梁。在这里我们介绍的核回归(kernel regression)方案中,形式-意义关系可被用于从词的形式中预测词的分布式语义向量。此外,我们介绍了一种全新的度量学习(metric learning)算法,该算法可以学习能最小化核回归误差的加权编辑距离(weighted edit distance)。我们的结果显示英语的词汇库表现出了远比过去所观察到的更为全局的形式-意义系统性,而且这些系统性中的相当大一部分的重点都是局部形式-意义模式。
三、最佳学生论文奖(Best Student Paper Award)
本届 ACL 的最佳学生论文是英国剑桥大学工程系的 Pei-Hao Su, Milica Gasic, Nikola Mrksic, Lina Rojas-Barahona, Stefan Ultes, David Vandyke, Tsung-Hsien Wen, Steve Young 的《On-line Active Reward Learning for Policy Optimisation in Spoken Dialogue Systems》。
用于口语对话系统中策略优化的在线主动奖励学习
摘要:计算一个精确奖励函数的能力对于通过强化学习来优化对话策略非常关键。在现实世界的应用中,使用明确的用户反馈作为奖励信号通常是不可靠的,而且收集的成本也很高。如果该用户的意图事先已知或者数据可以用来预训练一个任务成功离线预测,这个问题可以得到缓解。在实践上,这两种都不适用于大多数现实世界的应用。我们在这里提出一个在线学习框架,在这个框架中,通过高斯过程模型(Gaussian process model)的主动学习按照奖励模型联合训练对话模型。该高斯过程模型在一个以无监督方式生成连续的对话表征上运行,这种无监督方式使用了一个循环神经网络编码器-解码器模型。实验结果表明,我们提出的框架能够显着减少数据注释的成本,并减轻对话策略学习中嘈杂的用户反馈。