Learning Structured Representation for Text Classification via Reinforcement Learning@paperweekly 推荐Text Classification

将强化学习应用于文本分类任务中，已被 AAAI2018录用。作者团队在上期 PhD Talk 中对本文做过在线解读。

实录回顾

清华大学冯珺：基于强化学习的关系抽取和文本分类

论文链接

Reinforcement Learning for Relation Classification from Noisy Data@paperweekly 推荐Relation Extraction

将强度学习应用于关系抽取任务中，取得了不错的效果。本文已被 AAAI2018 录用。作者团队在上期 PhD Talk 中对本文做过在线解读。

实录回顾

清华大学冯珺：基于强化学习的关系抽取和文本分类

论文链接

Generative Adversarial Network for Abstractive Text Summarization@zhangjun 推荐Text Summarization尝试用 GAN 来解决 Abstractive Summarization 任务，并在 CNN/Daily Mail 数据集上取得了不错的效果，工作已被 AAAI2018 录用。论文只有少量信息，可结合补充材料进行阅读。

论文链接

补充材料

Investigating Inner Properties of Multimodal Representation and Semantic Compositionality with Brain-based Componential Semantics@shaonan 推荐Representation Learning

利用人脑的成分语义表征来解释词汇表示向量和向量组合的过程，深度理解不同类型的词汇表示中到底蕴含了什么样的信息，词义组合到底组合了什么。

论文链接

Neural Text Generation: A Practical Guide@paperweekly 推荐Seq2Seq

本文是一篇 Practical Guide，讲了很多用端到端方法来做文本生成问题时的细节问题和技巧，值得一看。

论文链接

Exploring the Syntactic Abilities of RNNs with Multi-task Learning@Andy 推荐Multi-task Learning

本文主要通过了对一致性预测还有 CCG 超标记进行多任务学习，来展示了如何通过多任务学习，来让 RNN 能够学习出更加复杂的句法表达。此外还发现利用一致性预测的训练数据，也可以提高其他只有有限训练数据任务的表现。这样的多任务模型，还可以将语法知识注入进语言模型中去（当然也包括机器翻译）。

论文链接

Machine Translation Using Semantic Web Technologies: A Survey@zhangjun 推荐Neural Machine Translation

本文是一篇综述文章，用知识图谱来解决机器翻译问题。

论文链接

Decoding with Value Networks for Neural Machine Translation@xwzhong 推荐Neural Machine Translation

seq2seq 运用于翻译，在 decoder 部分，beam search 引入了 reinforcement learning，使当前 step 考虑了 BLEU。从其它角度讲，是不是也可以使用 RL 思想在 seq2seq 模型中引入其它知识。

论文链接

End-to-End Optimization of Task-Oriented Dialogue Model with Deep Reinforcement Learning@paperweekly 推荐Dialog Systems

一篇基于强化学习的端到端对话系统研究工作，来自 CMU 和 Google。

论文链接

原文发布时间为：2017-12-1

本文作者：让你更懂AI的本文来自云栖社区合作伙伴“”，了解相关信息可以关注“”微信公众号