摘要：NLP 与情感分析、增强学习、深度学习的交叉领域，全年干货大合集。
2018 年对于自然语言处理（NPL）是很有意义的一年，见证了许多新的研究方向和尖端成果。Elvis Saravia 是计算语言学专家，也是 2019 计算语言学会年度大会北美分部的项目委员之一。他总结了 2018 年 NLP 的重要进展，包括增强学习、情感分析和深度学习等领域。点击文章中的链接，可获得每一项研究的详细信息、论文或者代码。
综合领域
Facebook 研究员们发明了一种机器翻译的新方法，只需要使用单一语言语料库，这对于缺乏资料的语言非常有用。
Young 和同事更新了他们近期发表的论文《基于深度学习的自然语言处理的最新趋势》，增加了 NLP 文献中最新的 SQuAD 结果。
Bloomberg 研究员 Yi Yang 发表了 RNN 卷积筛选建模的最新论文及代码，称体现了语言中的长期依存性和组合性。
百度发布了 Deep Voice 3，是一项基于注意、完全卷积的文字语音转换神经系统，比目前的循环系统在神经语音合成方面快几个量级。
Pair2vec 是一种学习文字嵌入对的新方法，能体现隐含关系的背景知识。
百度发布了名为同声翻译与预测及可控延迟（STACL）的机器翻译算法，能够同时进行多个翻译。在同声传译时，这项技术不需要等发言者暂停发言，而可以预测发言者的下一个词语。
Deep INFOMAX 是一种学习无监督表征的方法，将输入和高层特征矢量之间的共同信息最大化。
蒙特利尔大学的 AI 研究团队 MILA 发表了多个超赞的研究成果，记录了自然语言生成（NLG）任务中 GAN 的限制。
聊天机器人是 NLP 的一个重要研究领域，创业公司 lang.ai 如何使用无监督 AI 来解决打造聊天机器人的重要挑战之一：理解用户到底想要什么。
这个模型提供了一种新方法进行文字生成，可以实现更强的解读性和控制性。
谷歌 AI 发表了论文，探索语言建模的极限。
亚马逊研究员提出了一种语言建模方法，这种新的训练策略的重要性在于，在现实中，要获得大量的训练数据来建立一种新能力经常是不现实的。
增强学习
许多研究员认为增强学习是机器学习的最前端。我们来看看这个领域内，2018 年都有哪些重大进展。
David Ha 的“世界模型”，目标是研究个体能否在其自身的梦境中学习，需要利用增强学习来学习一项规则，依靠世界模型中抽取的特征来解决制定的任务。
OpenAI 开发了一个类似人类的机器人手，通过增强学习算法获得操纵物体的灵活性。
DeepMind 在《自然》杂志发布了一篇论文，讨论虚拟环境中，人工个体的网格表征怎样通过矢量导航找到解决。
TextWorld 是以文字游戏为灵感的学习环境，用于训练增强学习代理。
Google 研究员开发了一项名为 MnasNet 的技术，是一种自动化神经网络架构搜索方法，用于通过增强学习设计移动化机器学习模型。
OpenAI Five 利用增强学习，能在复杂游戏 Dota 2 中打败业余水准的人类选手。
DeepMind 开发了名为 PopArt 的技术，利用增强学习在多任务环境中具有高精确度。
三星的 CozNet 是一种增强学习算法，在两项知名的 NPL 比赛中展现了顶尖表现。
Arel 使用对抗奖励学习来讲故事，解决故事评估维度的局限。
Metacar 是为无人驾驶汽车而设计的增强学习环境，在以 Tensorflow.js 打造的浏览器上使用。
OpenAI 发布的 Gym Retro 平台提供 1000 多个游戏，进行增强学习研究。
情感分析
机器学习系统需要更深的理解能力，才能与人类在情感层面互动。
这篇新论文提出了“层级化 CVAE 用于精准的仇恨言论分类”，能够理解 40 多个群体和 13 中不同类别的仇恨言论。
这篇论文讨论如何使用简单的支持向量机变量获得最佳结果，并指出模型方面需要注意的几点。目前大部分情感分析都是基于神经方法，研究时需要注意模型和特征的选择。
这篇论文定量分析了推特表情肤色修改器的使用效果。
这篇论文讨论如何使用深度卷积神经网络检测讽刺。另外，这项新研究使用眼动追踪、NLP 和深度学习算法检测讽刺。
研究员开发了一项成为“情感聊天机器”的方法，这个聊天机器人不仅能给出符合事实与逻辑的答案，还能在聊天中加入悲伤、厌烦等情绪。
Lei Zhang 等研究员发表了一篇论文，综合概括了深度学习方法如何用于情感分析。
这个双向异步框架可以在聊天中生成有意义的情感回复。
这项研究使用计算机视觉方法，研究语境中的情感识别。
这篇在 2018 NAACL 大会上发表的论文，提出了一种方法可以使用简单的递归神经网络模拟情感流。
深度学习
DeepMind 与哈佛大学教师 Wouter Kool 合作发表了论文，研究人类如何使用大脑来做决定，以及这些研究结果能如何启发人工智能的研究。
这篇论文引入了“群组归一化”的概念，可以有效替代批归一化，被认为是深度学习的一项重要技术。
Sperichal CNN 是一种打造卷积神经网络的新方法。
BAIR 发布了一篇文章，讨论目前循环神经网络和前馈神经网络在解决各种问题时的优缺点。
Facebook 的 AI 研究小组开发了一项新技术，能将 AI 模型运行效率提升 16%。这能提高 AI 模型的训练速度，并简化模型的量化和运行。
这篇《自然》杂志论文，介绍了一种可以预测地震后余震位置的深度学习方法。
DeepMind 研究员开发了一种新方法，利用神经算数逻辑单元（NALU）改善神经网络，追踪时间、用数字图片运行算数、数图片中的物体个数等等。
DARTS 是一种架构搜索算法，可以设计高性能的图像分类卷积架构。
这篇论文《实证验证序列建模中的通用卷积网络和神经网络》，讨论了序列建模中 CNN 和 RNN 的区别。
图形神经网络如何帮助推断潜在关系结构、模拟多代理和物理动态。
谷歌 AI 研究团队发布了一篇论文，提出了一种改进版的 RNN，能够提高自动数据解读的精确度。
Distill 发布了新研究，可以在一个数据源的语境下分析另一个数据。
如果没有任何数据、也没有任何人类知识工程，有可能习得精准的认知模型吗？这项研究会告诉你答案。
这篇论文详细描述了针对深度神经网络的批归一化研究。
这篇论文回顾了神经网络中，如何更好地进行批训练。
这篇论文讨论如何正确评估深度半监督学习算法。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。