@tobiaslee 推荐
#Sentiment Modification
本文是北京大学发表于 EMNLP 2018 的工作,论文解决了一个非常有趣的问题——Sentiment Modification,将某种情感极性的文本转化成另外一种极性,比如将“这家店的服务很不错”(正向)变为“这家店的服务很差”(负向)。
通过使用 attention weight 作为指示来去除情感词得到 neutralized context,随后根据情感词构建 sentiment memory,并通过该 memory 对 Seq2Seq 中 decoder 的 initial state 进行初始化,帮助其生成另外一种极性的文本。
![undefined](https://image.jiqizhixin.com/uploads/editor/3cd8555b-75aa-405b-a2cf-d7a0e7e92bbe/1536818476566.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/b75914da-b8a3-4df0-8e55-970bd11303c7/1536818476181.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/192ae5d3-b516-49b0-9d1b-bfb64312f77c/1536818476704.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/9df8d809-fe38-4708-a4ba-2665d0652198/1536818476097.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/e49d72e5-7893-44f9-b66a-7c6834ae1fa2/1536818476368.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2263
源码链接
https://github.com/lancopku/SMAE
@filterc 推荐
#Question Generation
本文是清华大学黄民烈老师团队发表于 ACL 2018 的工作。深度学习对话模型存在的问题:语义理解问题、上下文理解问题、个性身份一致性问题。通过向用户提问,可以更好将对话进行下去,而提出一个好问题,也体现机器对人语言的理解。一个好的问题包括:interrogative(询问词),topic word(主题词)和 ordinary word(普通词)。
本文基于 encoder-decoder 的框架,提出两种 decoders(STD 和 HTD),来估计生成出的句子中每个位置上的词是以上三种类型的分布。作者爬取微博 900w 对话数据,做了两个处理共得到 49w 对。用 20 个人工模板筛选了提问式的回复,过滤了通用的回复如“是吗”、“真的吗”。
![undefined](https://image.jiqizhixin.com/uploads/editor/346c67cd-cc4e-4085-a104-8b3ef7eed1fc/1536818477651.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/79b6d6c8-7a0e-4292-9afb-03ad05aaaa8a/1536818477926.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/7a2c83ff-e9e3-4d54-a21a-6f2bad9b3577/1536818477018.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/29c1a286-50e4-49fc-91bd-e8cdf099f5b6/1536818477147.png)
![屏幕快照 2018-09-13 上午11.30.17.png](https://image.jiqizhixin.com/uploads/editor/a72a4b86-1e8a-4324-8163-c4126e4c8a00/1536818478009.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2221
源码链接
https://github.com/victorywys/Learning2Ask_TypedDecoder
Learning Context-Sensitive Convolutional Filters for Text Processing
@vertigo 推荐
#Sentence Matching
本文是杜克大学发表于 EMNLP 2018 的工作。基于 hypernetworks 的思想,作者提出了用 Meta Network 来生成 CNN 模型的参数,并通过这种方式将 context 的信息引入到模型当中(Meta Network 的输入可以是句子本身或者另外的文本)。作者将这个 context-sensitive 的框架运用到文档分类和句子匹配等多种问题上,获得了明显的提升。
![屏幕快照 2018-09-13 上午11.33.45.png](https://image.jiqizhixin.com/uploads/editor/fd3bfc19-e91a-41c1-aed4-b3e628fe81f3/1536818478267.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/612613cb-66f6-4ce3-989d-9618df004522/1536818478655.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/63146439-7fc5-44e8-a737-dfb7528e9dcf/1536818479169.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/54586ad3-8ef5-47b8-8637-013b4cf7326b/1536818479060.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/52cb2a5c-9078-403a-85e3-59b711d890b0/1536818479711.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2260
@paperweekly 推荐
#Image Denoising
本文来自哈工大和香港理工大学,主要研究卷积网络在真实图像上的去噪效果。论文提出了一个更加真实的噪声模型,充分考虑了信号依赖噪声和 ISP 流程对噪声的影响,证明了图像噪声模型在真实噪声图像中起着关键作用。其次,论文提出了可实现图像盲去噪的 CBDNet 模型,该模型包含一个噪声估计子网络和一个非盲去噪子网络。
此外,作者还提出了非对称学习(asymmetric learning)的损失函数,允许用户交互式调整去噪结果以增强去噪结果的鲁棒性。作者将合成噪声图像与真实噪声图像一起用于网络的训练,提升网络的去噪效果和泛化能力。
![undefined](https://image.jiqizhixin.com/uploads/editor/2363c703-cdbb-4f1f-9926-7220f372ee35/1536818481355.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/3e2be0c5-125d-47ec-8fcc-e6743cc6c6e2/1536818480428.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/103110b6-387b-4826-be46-f0e89c719327/1536818482872.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/f542c34e-17ec-4e82-b12c-7ee0738dac81/1536818481192.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/27983a58-c33e-400a-ae8c-ddee10b92d79/1536818485647.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2294
源码链接
https://github.com/GuoShi28/CBDNet
@paperweekly 推荐
#3D Reconstruction
本文是复旦大学、普林斯顿大学、Intel Labs 和腾讯 AI Lab 合作发表于 ECCV 2018 的工作。文章提出了一种端到端的深度学习框架,可从单张彩色图片直接生成三维网格(3D Mesh)。与现有方法不同,本文使用图卷积神经网络表示 3D mesh,利用从输入图像中提取的特征逐步对椭球进行变形从而产生正确的几何形状。本文使用由粗到精的模式进行生成,使得整个变形过程更加稳定。
论文详细解读:ECCV 2018 | Pixel2Mesh:从单帧RGB图像生成三维网格模型
![undefined](https://image.jiqizhixin.com/uploads/editor/5385df28-d94c-4b94-a9c4-49e2c8859ba6/1536818481861.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/937f29dc-ab09-4984-9334-d65690725ddc/1536818483156.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/0c289d2e-4442-4423-a535-646deb432724/1536818483320.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/f53c91f2-3018-419b-bbe2-12e07d4d7516/1536818483921.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/3c17f157-ceab-4a23-a55f-bb44a8482db1/1536818484037.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2283
源码链接
https://github.com/nywang16/Pixel2Mesh
@somtian 推荐
#Recommender Systems
本文是最新发表的一篇利用深度学习做推荐系统的综述,不仅从深度学习模型方面对文献进行了分类,而且从推荐系统研究的问题方面对文献做了分类。
![undefined](https://image.jiqizhixin.com/uploads/editor/87cad1e9-0272-4a1b-b2eb-cde277c404f3/1536818484208.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/29afe292-caa6-482f-af72-9e382d0000eb/1536818485415.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/b7e81eef-8d76-4aac-999d-face540a0c83/1536818485490.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/6719987f-6ff2-451a-836b-60f1ccf34a5c/1536818485720.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/4b24b607-45c6-4384-ab49-051345ec4d7a/1536818485783.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2271
@zhangjun 推荐
#Domain Adaptation
本文是麻省理工发表于 EMNLP 2018 的工作,论文提出了一种多源迁移学习的无监督训练方法,通过将所有 source 分为 meta-source 和 meta-target 自动构建训练数据集,显式地学习每个 source set 和 target example 之间的匹配度,不同的匹配度将决定 source 对 target 的重要程度。本文方法可以很好地避免 negative transfer,文中实验成功地将 twitter source 匹配度降到最低。
![undefined](https://image.jiqizhixin.com/uploads/editor/18d4154b-cbed-44e7-bf04-6db5488457ce/1536818485991.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/1e6d86d6-33c6-4479-a838-437cc1dffcf8/1536818486237.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/3ffe7b22-6bb8-4cc0-a2d5-3556efbb15bc/1536818486067.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/646a220f-f1ec-4c0b-b607-f2990f9d79fe/1536818486146.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2284
@xuehansheng 推荐
#Network Embedding
本文针对现有的网络图相似度计算方法 GED/MCS 的时间复杂度较高的缺陷,提出了一种基于神经网络的全新的网络图相似度计算方法,在保证准确率的同时提高计算效率。本文的主要贡献在于首次将神经网络引用到图计算中,为图相似度计算提供了一个全新的研究方向。
![undefined](https://image.jiqizhixin.com/uploads/editor/6292b44a-5706-468f-99e4-9edc148dc1a8/1536818486638.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/e5377fe8-e3cb-4438-9afa-c572ac830231/1536818486723.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/c1915e5a-c1d6-4240-8809-c451c6480208/1536818493866.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/45373eb7-ce7c-41a7-a94e-c9f640bdac23/1536818486822.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/f09936d2-31d4-430e-8b3b-c915740702b1/1536818487647.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2257
@lxylxyoo 推荐
#Text Classification
本文是北京大学发表于 COLING 2018 的工作,论文用序列生成的方式进行多标签分类,引入了标签之间的相关性。
![undefined](https://image.jiqizhixin.com/uploads/editor/a5c2b327-e703-4fa1-a027-3a554c2b1572/1536818488619.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/02735bea-e44f-4eeb-be1f-3012e8fbfe41/1536818488765.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/b20d67aa-f77a-41f3-9533-91bd6ef05281/1536818488876.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/a8197139-c344-49de-9cfe-72380bc47656/1536818488961.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/614f1c3b-812f-49ed-be2d-311cfabfe358/1536818489060.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2270
源码链接
https://github.com/lancopku/SGM
@guohao916 推荐
#Machine Reading Comprehension
本文发布了一个基于多语句的机器阅读理解数据集,与以往常见的机器阅读理解数据集不同,该数据集具有以下特点:
1. 数据集中答案以多选的形式出现,一个问题对应多个答案,不局限于一个答案;
2. 对于问题的解释来自于篇章中的多条语句,而不是仅局限于一条语句;
3. 数据集来源于 7 个不同的领域(话题),从而增强了篇章内容话题的多样性。
针对该问题和数据集,作者设计了一系列基于多个基准算法的实验。基准算法包括:Random, IR, SurfaceIR, SemanticILP, BiDAF。文章定义了问题被回答的准确率,召回率和 F1 并设定为度量指标。实验结果表明不论是在验证集还是在测试集上,表现最好的基准算法 SurfaceIR 得到的 F1 指标,相比较于人工判断得到的结果相差接近 20 个百分点。因此模型上还存在着很大的改进和提升空间。
![undefined](https://image.jiqizhixin.com/uploads/editor/653225a2-3b58-4fd9-a3e8-4d9895a41a44/1536818489227.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/b09613c4-a6ed-42f2-9907-44e9f70afd80/1536818489357.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/535914a2-1243-4e52-be9c-c125144c20ac/1536818495324.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/628a9697-fab1-45ee-80a0-26cc32f2c53e/1536818489521.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2256
源码链接
https://github.com/CogComp/multirc
@paperweekly 推荐
#Video Re-localization
本文是腾讯 AI Lab 和美国罗切斯特大学合作发表于 ECCV 2018 的工作,研究目的是在给定一个欲搜索的视频后,在某个备选视频中快速找到与搜索视频语义相关的片段,这在视频处理研究领域仍属空白。因此本文定义了一个新任务——视频再定位(Video Re-localization),重组 ActivityNet 数据集视频,生成了一个符合研究需求的新数据集,并提出一种交叉过滤的双线性匹配模型,实验已证明了其有效性。
论文详细解读:ECCV 2018 | 腾讯AI Lab提出视频再定位任务,准确定位相关视频内容
![undefined](https://image.jiqizhixin.com/uploads/editor/7ca83313-b790-454f-960e-8eb47b94e4c8/1536818572893.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/0e3f8044-bfb5-4021-9634-e1ac4f81858c/1536818572766.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/62f7d194-dbcb-4920-8da1-3aeceb35f3f3/1536818573119.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/f80b4464-cde0-4fa2-bad4-6e716f8ee084/1536818572544.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2272
源码链接
https://github.com/fengyang0317/video_reloc
@paperweekly 推荐
#Scene Segmentation
本文来自中科院自动化所。场景分割是语义分割领域中重要且具有挑战的方向,为了有效完成场景分割任务,需要区分一些容易混淆的类别,并考虑不同外观的物体。本文提出了一个新的自然场景图像分割框架,称为双重注意力网络(DANet),引入了一种自注意力机制来分别捕捉空间维度和通道维度上的视觉特征关联。
在处理复杂多样的场景时,本文提出的方法比以往的方法更为灵活、有效,在三个具有挑战性的场景分割数据集(Cityscapes、PASCAL Context 和 COCO Stuff)上取得了当前最佳分割性能。
![undefined](https://image.jiqizhixin.com/uploads/editor/08dc364b-3c10-4790-bfbf-91a5e372c34c/1536818573370.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/a9d1e1b4-b26e-402d-9902-6cce77a4b72e/1536818578609.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/30a43b23-c711-4651-9b38-8577058808e4/1536818573820.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/40f93f80-dc20-4001-a78a-b5889302d773/1536818574377.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/8302f99f-d9e6-4c87-94be-008bf2057b8a/1536818575414.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2295
源码链接
https://github.com/junfu1115/DANet
@Minusone 推荐
#Recommender System
本文是 Airbnb 团队发表于 KDD 18 的工作,摘得 Applied Data Science Track Best Paper 奖项。论文介绍了 Airbnb 利用 word embedding 的思路训练 Listing(也就是待选择的民宿房间)和用户的 embedding 向量,并在此基础上实现相似房源推荐和实时个性化搜索。
![undefined](https://image.jiqizhixin.com/uploads/editor/698226c0-69ef-4929-8eb4-f170943519f6/1536818583144.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/1522c970-bfc8-4905-9880-34a623eed871/1536818577231.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/93e8dcc9-d2c3-4fc6-99b5-cda581773e72/1536818577385.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/af3ae6b7-f278-4a98-95ae-09f5482bbc43/1536818577879.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2264Searching Toward Pareto-Optimal Device-Aware Neural Architectures
@zhangjun 推荐
#Neural Architecture Search
本文来自 Google Research 和国立清华大学。大多数 NAS 的工作都针对优化结果在 test dataset 上的准确性,而忽略了在一些硬件设备(比如:手机)上的模型还应考虑延迟和功耗,由此可将单目标优化问题转换成一个多目标优化问题。本文深入分析了两种常见的多目标 NAS 模型 MONAS 和 DPP-Net,并在一些设备上进行了实验对比。
![undefined](https://image.jiqizhixin.com/uploads/editor/09d80826-c7fb-437f-8088-33e9931b357f/1536818578313.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/2ac79c41-8832-482b-9194-f2e9c30a7e9f/1536818578437.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/8d46d561-3177-4adf-bf24-e1648e8ce87c/1536818579407.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/d7d12395-3e61-4f75-8b5d-2a7dc7a2421e/1536818579309.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/b1f864fb-616e-4c0d-bfed-7cd5a7c8d1ed/1536818580476.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2259
@Molly 推荐
#Recommender System
本文是对“可解释性推荐系统”相关以及最新研究的调研总结,内容包括问题定义、问题历史、解决方案、相关应用和未来方向。论文内容较为全面,对于刚接触这一方向或者已经从事搭配领域的业者学者有很好的借鉴意义,文章最后对于一些可以发展的方向的论述也很有启发意义。
![undefined](https://image.jiqizhixin.com/uploads/editor/5748c12d-206b-4c2a-ae62-40bd564256b4/1536818582795.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/4214580f-579a-4393-ac14-91ac64126c77/1536818583360.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/9f60d0c1-56c7-4356-ac01-c4597de0c6d7/1536818583907.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/e913a15d-f22f-4243-a305-9e9eed79b447/1536818583472.png)
![undefined](https://image.jiqizhixin.com/uploads/editor/bacaaddd-d976-4c10-9778-2a82131ad2e9/1536818583609.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/2276