知远点评

我爱计算机 4年前 发在 博客 0
  1. 翟成祥老师早期在语言模型的工作很有影响力，他在2009年写过一本综述专著：Statistical Language Models for Information Retrieval，建议阅读。
  2. 北大 @BatmanFly （现在是人大老师啦）他们做的Knowledge Sharing via Social Login: Exploiting Microblogging Service for Warming up Social Question Answering Websites在微博和知乎之间建立了语义联系，也是很赞的角度。http://t.cn/RPOzhh4
  3. COLING 2014论文集：http://t.cn/RPpdIIk ，首先要去看今年最佳论文，中科院自动化所 @刘康_自动化所 赵军老师团队的大作：Relation Classification via Convolutional Deep Neural Network。:)
  4. 斯坦福Richard Socher在EMNLP2014发表新作：GloVe: Global Vectors for Word Representation 粗看是融合LSA等算法的想法，利用global word co-occurrence信息提升word vector学习效果，很有意思，在word analogy task上准确率比word2vec提升了11%。 http://t.cn/RPohHyc
  5. 哈工大@张牧宇-哈工大SCIR 的Triple based Background Knowledge Ranking for Document Enrichment利用knowledge triple表示文档，与今年WSDM的Knowledge-based Graph Document Modeling有异曲同工之妙。
  6. 发现哈工大的这篇 Learning Sense-specific Word Embeddings By Exploiting Bilingual Resources 利用双语数据学习词义表示。多语角度很有意思。
  7.  MSRA A Probabilistic Model for Learning Multi-Prototype Word Embeddings，基于skip-gram采用概率模型和EM算法解决一词多义的表示问题。
  8. @周光有_CAS 和赵军老师在社区问答系统上的工作：Group Non-negative Matrix Factorization with Natural Categories for Question Retrieval in Community Question Answer Archives。最近word embedding和NMF都开始在NLP领域大显身手了。
  9. IBM有篇Deep Convolutional Neural Networks for Sentiment Analysis of Short Texts，在Fine-Grained的评测上效果比Socher的RNTN高大约3个百分点不到。
  10. MSRA有篇 A Probabilistic Model for Learning Multi-Prototype Word Embeddings，基于skip-gram采用概率模型和EM算法解决一词多义的表示问题。这个问题很有实用价值。@陈新雄_THU 也将在今年EMNLP展示我们组在这方面的工作：A Unified Model for Word Sense Representation and Disambiguation。
  11. 哈工大和MSRA合作的 Building Large-Scale Twitter-Specific Sentiment Lexicon : A Representation Learning Approach 想法也很有意思，利用word embedding技术构建情感词典。作者 @唐都钰HIT-SCIR 今年还有篇ACL和EMNLP，都是以情感分析为主题，国内NLP新星啊。:)
  12. 谢 @刘康_自动化所 推介。Jiawei Han老师综述介绍得非常全面，建议以此为入口学习。我们组司宪策师兄博士论文也以此为主题，中文写的比较好读，下载地址http://t.cn/8F1qSPX 。社会标签可从两个角度思考，一是ML角度可看做多标签分类问题，二是NLP角度可看做关键词产生问题，都有大量前人工作参考。
  13. Richard Socher一如既往很有诚意地放出了代码和数据，大家快围观： http://t.cn/RPohHyc
  14. David Blei组提出主题模型新概念：Real-time Topic Models for Crisis Counseling。好像是KDD短文。http://t.cn/RPohSwB
  15. Barabasi团队把“魔爪”伸向了历史学：A network framework of cultural history发表在最近Science杂志的Quantitative Social Science栏目。
  16. IEEE TKDE上的一篇综述：A Review on Multi-Label Learning Algorithmshttp://t.cn/RPirZh6 @张敏灵-SEU 老师和 @南大周志华 老师的工作，关注。
Tags : , 

留下你的评论