对话式论辩研究综述

近年来,论辩研究引起计算语言学学者的关注,并催生了一个新的研究领域,即计算论辩学。根据参与论辩过程的人数不同,计算论辩学的研究可以分成两类,即,单体式论辩和对话式论辩。对话式论辩过程在现实世界中广泛存在,如社交网络平台、司法领域、教育领域等,但是相关的研究才刚刚起步。该文综述了对话式论辩领域的基本任务设置、主流模型框架、下游应用以及公开数据和评测方法。最后,该文也指出对话式论辩未来发展的几个研究方向,包括多模态的对话式论辩分析、知识注入的论辩生成等。

面向社交网络用户建模的异质网络研究

用户建模已经引起了学术界和工业界的广泛关注。现有的方法大多侧重于将用户间的人际关系融入社区,而用户生成的内容(如帖子)却没有得到很好的研究。为此,该文通过实际舆情传播相关的分析,表明在舆情传播过程中对用户属性进行研究的重要作用,并且提出了用户资料数据的筛选方法。同时,该文提出了一种通过异构多质心图池为用户捕获更多不同社区特征的建模。该方法首先构造了一个由用户和关键字组成的异质图,并在其上采用了一个异质图神经网络。为了方便用户建模的图表示,提出了一种多质心图池化机制,将多质心的集群特征融入表示学习中。在三个基准数据集上的大量实验表明了该方法的有效性。

从视觉到文本:图像描述生成的研究进展综述

近年来,跨模态研究吸引了越来越多学者的关注,尤其是连接视觉和语言的相关课题。该文针对跨视觉和语言模态研究中的核心任务——图像描述生成,进行文献综述。该文从基于视觉的文本生成框架、基于视觉的文本生成研究中的关键问题、图像描述生成模型的性能评价和图像描述生成模型的主要发展过程四个方面对相关文献进行介绍和总结。最后,该文给出了几个未来的重点研究方向,包括跨视觉和语言模态的特征对齐、自动化评价指标的设计以及多样化图像描述生成。

基于小样本学习的个性化Hashtag推荐

近年来,Hashtag推荐任务吸引了很多研究者的关注。目前,大部分深度学习方法把这个任务看作是一个多标签分类问题,将Hashtag看作为微博的类别。但是这些方法的输出空间固定,在没有进行重新训练的情况下,不能处理训练不可见的Hashtag。然而,实际上Hashtag会随着时事热点不断快速更新。为了解决这一问题,该文提出将Hashtag推荐任务建模成小样本学习任务。同时,结合用户使用Hashtag的偏好降低推荐的复杂度。在真实的推特数据集上的实验表明,与目前最优方法相比,该模型不仅可以取得更好的推荐结果,而且表现得更为鲁棒。