NLP相關資源

一 NLP相關資源站點

1. Rouchester大學NLP/CL會議列表
   一個很是好的會議時間信息網站，將天然語言處理和計算語言學領域的會議，按照時間月份順序列出。

2. NLPerJP
   一個日本友好人士維護的網站，常常對NLP近來熱點進行評論，能夠受到啓發。

3. 初學者如何查閱天然語言處理（NLP）領域學術資料
   初學者如何查閱NLP領域學術資料，做者爲清華大學計算機系助理研究員劉知遠。另外，劉還曾經翻譯過《機器學習那些事兒》一文，原文刊登在ACM Communication上，劉翻譯後發表在計算機學會通信上。機器學習那些事兒。
   另外，一個問題是，文本如何進行特徵選擇，特別是對於摘要任務中的以句子爲單位時，如何進行向量空間表示，能夠參考這一篇，實在不行的話，能夠逐個嘗試，從tf到tf*idf，從bool到完整，待嘗試。

4. 52nlp
   「我愛天然語言處理」網站，屬於52系列，上面有適合入門時候的資料。主要包含兩塊內容，「資源」和「求職招聘」以及「課程圖譜」。

二 Summarization摘要任務

看過論文就知道，在Summarization摘要任務上近些年的領軍任務主要有：

1. 萬小軍
   此人生於1979年，至今僅35歲不到，本科碩士博士都在PKU完成。

   其碩士論文：一個用於中文新聞主題檢測與追蹤的原型系統

   博士論文：基於文檔結構關係的類似搜索與自動摘要技術

2. 2000年7月在北京大學信息管理系獲理學學士， 2003年7月在北京大學計算機科學技術係獲理學碩士學位，2006年7月在北京大學信息科學技術學院獲博士學位，博士論文獲北京大學優秀博士論文獎。同年加入北京大學計算機科學技術研究所任助理研究員，2007年8月晉升爲副研究員。2008年獲北京大學寶潔獎教金，同年入選教育部新世紀優秀人才支持計劃與北京市科技新星計劃(B類),2010年獲北京大學王選青年學者獎。
   此人在Summarization任務上07年逆天，一次性在高水平會議上發表6篇論文。
   目前已晉升爲教授(研究員)。領導ICST北大計算技術研究所的LCWM(語言計算與互聯網挖掘研究組)。
   上述研究組在Summarization任務下成就顯然。

3. LiTao
   中文名大概是 李濤，目前供職於FIU(佛羅里達國際大學)，在Summarization任務上也是逆天存在，超過20+高水平論文。

4. Li Wenjie
   目前供職於 香港理工大學PolyU of HK。夏老師曾在04~06在港中文作過研究，與其有過合做。

三 我對Summarization任務的思考

1. MDS方向跨學科

   首選，(Multi-)Document Summarization任務是跨學科的。從幾個方面來看。第一，從處理的數據對象Data Object來看，屬於Document 或者Text，屬於對語言的載體-文本進行的處理，並且是用一些偏統計的方法，所以屬於NLP/CL大類。此類相關的高水平會議很多。第二，從實現的方法Method來看，使用了一些包括圖論，以聚類分類爲表明的機器學習方法，所以能夠劃歸到ML/AI大類。第三，從「數據」流Data Flow來看，在數據流上屬於一種逆向生成，即從原始大量數據中，在有限的篇幅俠找出「重要且有價值」的信息，所以能夠劃歸到DM大類。第四，從實用的大環境Application Envrionment來看，隨着現今互聯網浪潮，對互聯網上的信息處理具備實際的應用價值，所以能夠劃歸到Web大類。

2. 怎樣出成果

   首先必須感嘆，上述三人的勤奮與努力，在Summarization任務上著做等身。但做爲一個具備邏輯思惟的人，必須能看到事物的另外一面。第一，科學研究並非一蹴而就的。若是」論文數量「來看，Summarization任務出現了那麼多論文，但從「應用」角度看，除了被Yahoo收購的應用Summly以外，並無出現有價值的應用。科學論文的的評價標準時有限的，例如在Summarization任務中，自從Lin在2004年推出ROUGE標準，若是想讓同行承認，就必須採用其標準。因而後來人前赴後繼地陷入追求ROUGE得分高的目標中。當然，ROUGE得分高至少能表明方法必定程度上是有效的。可是否ROUGE高就絕對說明方法是最優的呢?徹底不是。我猜想，從評審人或者Reviewer的角度來看，ROUGE得分只是一個載體，或者說是入門條件，當達到入門條件以後，他會考量你的工做是否介紹或者讓人啓發出「新的想法或觀點」。學術活動例如國際會議的召開，老是求新的，要麼是「新結果」，你的方法與別人很相似，或者稍加改進，而後從結果上體現出來有進步。要麼是「新方法」，若是結果知足入門條件以後，從方法上徹底與人不一樣，也算新，不過這時候須要必定程度的「自圓其說」，可以說明在結果上不太具備優越性可是在方法上足夠有新意。 第二，評測標準真的對麼首先，ROUGE的出現實現了在Evaluation上從「主觀評測」到「量化」的飛躍。在04年以後的若干年，這種便於量化的方法爲不少研究者帶來了便利，更確切來講，爲相關研究者帶來「方向」。人們想作一件研究，卻不太明白方法究竟好很差。若是有一個量化準則存在，同行之間也就少了猜忌。可是，從04年到14年，這種準則的有效性其實是臨近瓶頸的。例如在GenericMDS任務上，至今最優的方法在ROUGE-1上能夠達到0.395+。而背後的事實是，有人作出了理論上的推測，即使是人工摘要，因爲問題自己存在不太一致的主觀性，不太可能超過0.41。所以，對於源於不一致主管的工做任務來講，在量化評測下，達到較爲優秀便可，在其餘方面說明「自圓其說」優越性便可。