Home
Graph Representation Learning
本文是一篇关于Graph Representation Learning的综述。网络特征学习（network representation learning / network embedding）是近年来兴起的一个特征学习的研究分支。作为一种降维方法，网络特征学习试图将一个网络中的节点或者边映射到一个低维连续向量空间中，并在该低维空间中保持原有网络的结构信息，以辅助后续的连接预测、节点分类、推荐
Graph-Based Applications
本文是一篇关于Graph Representation Learning的综述。网络特征学习（network representation learning / network embedding）是近年来兴起的一个特征学习的研究分支。作为一种降维方法，网络特征学习试图将一个网络中的节点或者边映射到一个低维连续向量空间中，并在该低维空间中保持原有网络的结构信息，以辅助后续的连接预测、节点分类、推荐
Spam Review Detection with Graph Convolutional Networks
本文主要研究利用图卷积网络进行垃圾评论过滤任务，作者设计了名为 GCN-based Anti-Spam System(GAS) 的垃圾评论过滤系统。GAS 会使用两个图来引入不同的上下文的信息。Xianyu Graph 是一个异构图，它引入局部上下文信息，另一个是同构图 Comment Graph，它引入了全局上下文信息。在这两个图上，分别运行不同的图卷积算法，并最终融合两个图模型的上下文信息，从而共同判断一个评论是不是有问题。 paper: https://drive.google.com/open?id=11G7RATs8Gq98Mnk5AyYfcAgCak8hXsvbsource: CIKM 2019
A Novel Bi-directional Interrelated Model for Joint Intent Detection and Slot Filling
本文研究的是联合意图识别和序列标注问题，在slot-gate基础上综合考虑ID->SF和SF->ID两方面的影响，同时提出了一种多重交互的机制来增强两个任务之间的联系，在ATIS和Snips公开数据集上取得了很好的效果。 paper: https://drive.google.com/open?id=13fCcaL87EMYgDq6R_mH5a56LqSQ2axglsource: ACL 2019 short papercode: https://github.com/ZephyrChenzf/SF-ID-Network-For-NLU
Enhancing Pre-Trained Language Representations with Rich Knowledge for Machine Reading Comprehension
本文研究在BERT预训练模型的基础上增加外部KB知识，实验证明在MRC任务上取得了优于BERT的表现。 paper: https://drive.google.com/open?id=156rShpAzTax0Pzql1yuHVuT-tg6Qf_xXsource: ACL 2019code: http://github.com/paddlepaddle/models/tree/develop/PaddleNLP/Research/ACL2019-KTNET
Unsupervised Context Rewriting for Open Domain Conversation
本文主要目的是生成自包含的（self-contained）句子，使其没有指代和依赖于对话历史中的其他句，进而促进回复选择和生成任务。 paper: https://drive.google.com/open?id=1B4ts8jU3Xx_TJuS9rgcBP3E17DFbegK6
Dually Interactive Matching Network for Personalized Response Selection in Retrieval-Based Chatbots
本文研究个性化检索式对话系统，传统的个性化方法利用persona编码增强context表示，然后再与response匹配，而本文提出了DIM模型，核心是context与response，persona与response进行双匹配。 paper: https://drive.google.com/open?id=1WIBSG2pRGhpVmkV4OGNx0X2xQzSu-v2Ccode: https://github.com/JasonForJoy/DIMsource: EMNLP 2019
Few-Shot Text Classification With Distributional Signatures
本文提出了一种少样本下的元学习方法，用于文本分类，在多个数据集上取得较好效果。 paper: https://drive.google.com/open?id=19HtiZOH1jKWtEu_pq38wVYtYOwNIvPiPcode: https://github.com/YujiaBao/Distributional-Signaturessource: Work in Progress for ICLR2020
A Survey of User Simulator in Task-Oriented Dialog System
Introduction任务导向型对话系统用于帮助用户完成某个任务如查电影、找餐馆等，它一般由四个模块组成：自然语言理解模块（Natural Language Understanding, NLU）、对话状态跟踪模块（Dialog State Tracking, DST）、对话策略模块（Dialog Policy, DP）和自然语言生成模块（Natural language Generation