ACL2018首日：8大tutorial，深度强化学习最受关注|ACL2018(4)

语义分析是将自然语言表达翻译成机器可执行的符号的研究，已有很多成熟应用，如问答系统、语音助手和代码生成等等。在过去的两年间，随着神经编解码方法的引入，语义分析模型发生了巨大的变化，我们得以重新思考许多先前对语义分析的假设。
这一 tutorial 将描述研究人员采用的各种对语义分析的研究，还将评估语义分析器所使用的正式语言，并探讨为什么最近的工作会选择使用标准的编程语言而不是更多语言驱动的表示。然后，将描述语义分析的一个极具挑战的设置——在将自然语言转换为正式语言时，解析器必须考虑额外的上下文或交互，接下来将描述这方面的最新工作。最后，将介绍 AllenNLP 用于语义分析研究的一些工具。
Tutorial 7：Deep Reinforcement Learning for NLP
地址：https://www.cs.ucsb.edu/~william/papers/ACL2018DRL4NLP.pdf
许多自然语言处理 (NLP) 任务 (包括生成、推理、信息提取、关联解析和对话等) 都可以表示为深度强化学习 (deep reinforcement learning, DRL) 问题。然而，由于语言往往是离散的，所有句子的空间都是无限的，因此在将 NLP 任务构想为强化学习问题时存在许多挑战。在这次 tutorial 上，将介绍 NLP 中一些实用的 DRL 解决方案。我们描述了在 NLP 中设计深度强化学习算法方面的最新进展，特别关注于生成、对话和信息提取。最后，我们讨论了这些算法成功及失败的原因，旨在提供一些关于深度强化学习的实用建议，以解决实际的 NLP 问题。
Tutorial 8：Multi-lingual Entity Discovery and Linking
地址：https://sites.google.com/view/xlingedl/home/tutorial-materials（待更新）
本 tutorial 的主要目标是评估跨语言 EL 框架。会先讨论传统的 EL 技术和度量，然后，将介绍更近的方法，如神经 EL（Neural EL），将评估最先进的神经 EL 系统的基本模块，分析当前一些关于英文 EL 的结果。然后，将回到跨语言 EL，讨论一些在多种语言间使用的方法。特别地，主讲人会讨论和比较使用多语言词嵌入的多种方法，最后，还将讨论跨语言 EL 在搜索引擎和商业产品销售应用程序等各种 App 中的应用。