今日论文推荐(附下载地址）

AMiner已发布《自然语言处理研究报告》

微信公众号菜单栏可直接下载研究报告

为了方便大家学习，我们特地上线了精简版及详解版。

今天小编将为大家推荐2018ACL奖项的第二篇最佳长论文 

（文末附下载地址）

最佳长论文：
Learning to Ask Good Questions: Ranking Clarification Questions using Neural Expected Value of Perfect Information. Sudha Rao and Hal Daumé III.

（学习提好问题：使用完美信息的神经期望值排列澄清性问题。）

作者：Sudha Rao & Hal Daumé III

Abstract

Inquiry is fundamental to communication, and machines cannot effectively collaborate with humans unless they can ask questions. In this work, we build a neural network model for the task of ranking clarification questions. Our model is inspired by the idea of expected value of perfect information: a good question is one whose expected answer will be useful. We study this problem using data from StackExchange, a plentiful online resource in which people routinely ask clarifying questions to posts so that they can better offer assistance to the original poster. We create a dataset of clarification questions consisting of ∼77K posts paired with a clarification question (and answer) from three domains of StackExchange: askubuntu, unix and superuser. We evaluate our model on 500 samples of this dataset against expert human judgments and demonstrate significant improvements over controlled baselines

中文摘要：提问（inquiry）是沟通的基础。除非能提出问题，机器无法有效地与人类合作。在这项工作中，我们建立了一个神经网络模型来排序澄清性问题。我们的模型受到完美信息期望值（expected value of perfect information）的启发：一个问题好不好在于其预期答案是否有用。我们使用来自StackExchange的数据来研究这个问题。StackExchange是一个丰富的在线资源，人们在上面提问一些澄清式的问题，以便更好地为原始的帖子提供帮助。我们创建一个由大约77k帖子组成的数据集，其中每个帖子包含一个问题和回答。我们在500个样本的数据集上对我们的模型进行了评估，并与人类专家的判断进行对比，证明了模型在控制基线上得到重大改进。

模型在测试时的行为

回答生成器的训练

在500个样本数据集上测试的模型表现

后台回复 8月23日论文 可获取下载地址

后台回复如下对应关键词可获取研究报告

自动驾驶 

机器翻译 

机器人

行为经济学

区块链

通信

自然语言处理 

计算机图形学

后台回复“KDD”,可获取2018 ACM SIGKDD会议杰出服务奖获得者唐杰老师的现场演讲PPT。

戳阅读原文下载《自然语言处理研究报告》