ACL 2013 Tutorials & PapersACL 2013 Tutorials & Papers

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

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 Context

NLP Applications

SP - TopicSpam: a Topic-Model-Based Approach for Spam Detection

SP - Identifying Semantic Neighborhoods

SP - Learning Semantic Textual Similarity with Structural Representations

Summarization & Generation

SP - Evolutionary Hierarchical Dirichlet Process for Timeline Summarization

LP - 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 Segmentation

SP - 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 Computation

SP - Generating Recommendation Dialogs by Extracting Information from User Reviews

Multilinguality + Multimodal NLP

SP - Generalizing Image Captions for Image-Text Parallel Corpus