ACL 2013 Tutorials & Papers
来源：互联网 发布：冰川网络 编辑：程序博客网 时间：2024/05/10 09:42
ACL 2013 Tutorials & Papers
1. Tutorial 1 - Visual Features for Linguists: Basic image analysis techniques formultimodally-curious NLPers
Authors: EliaBruni and Marco Baroni
个人主页：http://clic.cimec.unitn.it/~elia.bruni/
主题：介绍基本的图像处理技术和相关应用。
大纲：
Low-level features (e.g. SIFT)
Induce more abstract features based on low-level descriptors
Example applications
2. Sessions
值得关注的领域
Statistical & Machine Learning Methods in NLP
Semantics
Low Resource Language Processing NLP Applications
NLP Applications
Text Mining and Information Extraction
Summarization & Generation
NLP for the Web & Social Web
Sentiment Analysis, Opinion Mining & Text Classification
3. 长文
Grounded Language Learning fromVideo Described with Sentences
Session: Statistical and Machine Learning Methods in NLP
主题：利用视频信息和句子，学习单词表示。学习出的单词含义（word meaning）可以用于生成视频描述。可以学习出多数词性的单词，而不仅仅是名词或动词。
方法：隐马尔科夫
主题：事件挖掘。本文的主要贡献有：1. 提出一种事件挖掘的新框架，同时挖掘出事件的trigger和arguments（这一点其实和目前情感分析中挖掘目标单词和情感词的思路相似）。2. 新增了一些局部特征。
方法：凸优化
主题：多文档摘要。与以前的文档摘要不同的是，本文提出压缩式摘要（Compressive Summarization）和抽取式摘要（Extractive Summarization）。其中，传统的摘要称为Extractive Summarization，即在文中抽取句子组成摘要；而Compressive Summarization通过抽取关键单词压缩文章来形成摘要，并不要求原句。本文要求摘要简洁、有信息量、可读性强（conciseness, informativeness, and grammaticality），提出基于Compressive Summarization和Extractive Summarization的多任务摘要框架（multi-task learning framework）。
方法：凸优化
主题：通过新闻来补充推特的内容，以避免微博内容果断造成很多NLP技术失效。本文认为每个微博与新闻都可用一个隐向量表示（latent vector）。文本之间除了单词共现关系以外，还有hashtag等共现关系。
方法：凸优化
主题：建立数字语义（numerical common sense）的模型，可以通过上下文来判断一个数字是大还是小。
主题：利用视频信息和句子，学习单词表示。学习出的单词含义（word meaning）可以用于生成视频描述。可以学习出多数词性的单词，而不仅仅是名词或动词。
方法：隐马尔科夫
Joint Event Extraction via Structured Prediction with Global Features
Session: Semantics主题：事件挖掘。本文的主要贡献有：1. 提出一种事件挖掘的新框架，同时挖掘出事件的trigger和arguments（这一点其实和目前情感分析中挖掘目标单词和情感词的思路相似）。2. 新增了一些局部特征。
方法：凸优化
Fast and Robust Compressive Summarization with Dual Decomposition and Multi-Task Learning
Session: Statistical and Machine Learning Methods in NLP主题：多文档摘要。与以前的文档摘要不同的是，本文提出压缩式摘要（Compressive Summarization）和抽取式摘要（Extractive Summarization）。其中，传统的摘要称为Extractive Summarization，即在文中抽取句子组成摘要；而Compressive Summarization通过抽取关键单词压缩文章来形成摘要，并不要求原句。本文要求摘要简洁、有信息量、可读性强（conciseness, informativeness, and grammaticality），提出基于Compressive Summarization和Extractive Summarization的多任务摘要框架（multi-task learning framework）。
方法：凸优化
Linking Tweets to News: A Framework to Enrich Short Text Data in Social Media
Session: Semantics主题：通过新闻来补充推特的内容，以避免微博内容果断造成很多NLP技术失效。本文认为每个微博与新闻都可用一个隐向量表示（latent vector）。文本之间除了单词共现关系以外，还有hashtag等共现关系。
方法：凸优化
Is a 204cm Man Tall or Small? Acquisition of Numerical Common Sense from the Web
Session: Semantics主题：建立数字语义（numerical common sense）的模型，可以通过上下文来判断一个数字是大还是小。
Creating Similarity: Lateral Thinking for Vertical Similarity Judgments
Session: NLP Applications主题：通过Web来补充WordNet，建立单词相似度度量。
方法：自己通过公示定义度量方式。
Using Conceptual Class Attributes to Characterize Social Media Users
Session: NLP for the Web and Social Media主题：对社会网络中的用户进行性别分类。与一般的分类方法不同的是，本文的方法更注重区分度高的属性（distinguishing attributes）而不是所有属性。其中，用到的特征有传统的BoW特征User-Profile（例如：姓名、头像等）。
方法：句法结构分析
Entity Linking for Tweets
Session: NLP Applications主题：实体识别，把推特中的mention对应到知识库的词条（knowledge base entry）。推特中实体识别问题的特殊性在于：推特太短，且命名体太多（很多命名体并不在知识库中）。本文采用的是整体优化思路：相似的推特mention对应到相似的命名体中，所以需要计算mention-entry, mention-mention和entry-entry相似度。
方法：凸优化
Joint Inference for Fine-grained Opinion Extraction
Session: Sentiment Analysis, Opinion Mining and Text Classification主题：细粒度的情感分析，抽取出某意见相关的实体（opinion-related entity），包括opinion expressions, opinion holders, 和 targets。本文把以上任务看作各个子任务，并利用其他子任务的结果挖掘出新的子任务。这种方式在本次的ACL会议论文中非常常用，通常被称作joint learning framework/ joint inference model，常常还与multi-task这一概念相联系。与之相对的是pipeline。
方法：凸优化
Mining Opinion Words and Opinion Targets in a Two-Stage Framework
Session: Sentiment Analysis, Opinion Mining and Text Classification主题：两阶段的情感词挖掘。第一阶段采用随机游走模型挖掘出候选的opinion word/target，并计算出候选词的confidence。第二阶段采用自学习技术改善第一阶段的结果，以避免高频无意义的词得分很高。
方法：随机游走、凸优化（实际上是对SVM的改进）
4. 其他文章
其他值得关注的文章（仅从个人喜好角度，其实还有很多文章没有包括进来，例如Summarization）。Semantics
SP - An Empirical Study on Uncertainty Identification in Social Media ContextNLP Applications
SP - TopicSpam: a Topic-Model-Based Approach for Spam DetectionSP - Identifying Semantic Neighborhoods
SP - Learning Semantic Textual Similarity with Structural Representations
Summarization & Generation
SP - Evolutionary Hierarchical Dirichlet Process for Timeline SummarizationLP - Towards Robust Abstractive Multi-Document Summarization: A Caseframe Analysis of Centrality and Domain
NLP for the Web & Social Web
LP - Mining Informal Language from Chinese Microtext: Joint Word Recognition and SegmentationSP - Exploiting Topic based Twitter Sentiment for Stock Prediction
SP - Learning Entity Representation for Entity Disambiguation
Sentiment Analysis, Opinion Mining & Text Classification
SP - A Novel Text Classifier – based on Quantum ComputationSP - Generating Recommendation Dialogs by Extracting Information from User Reviews
Multilinguality + Multimodal NLP
SP - Generalizing Image Captions for Image-Text Parallel Corpus- ACL 2013 Tutorials & Papers
- ACL 2016 Accepted Papers
- ACL 2017 accepted papers
- ACL 2016&2015 Accepted Papers
- ACL 2016 Accepted Papers 会议论文
- ACL 2016 Accepted Papers 会议论文
- CVPR 2013 papers
- CVPR 2013 papers
- Papers
- papers
- papers
- ICCV 2013 Accepted Tutorials
- CVPR 2013 Papers分类整理
- Tutorials
- Tutorials
- Tutorials
- Tutorials
- Tutorials
- xp自动关机命令
- 谁才是WindowsXP真正的超级管理员
- 学车考试技巧(图解)
- 继承-抽象-接口
- 交通标志图——警告标志
- ACL 2013 Tutorials & Papers
- Myeclipse中启动Tomcat服务出现Transport dt_socket failed t
- JFreeChart介绍及经典入门资料
- JFreeChart -- 饼形图实例解析
- JFreeChart -- 线形图实例解析
- JFreeChart -- 区域图实例
- JFreeChart -- 柱状图实例解析
- js操作表格操方法,增加,修改,删除，一行记录
- JFreeChart -- 柱状图实例解析 -- 3D柱状图
