抛砖引玉。很高兴今年出了三篇ACL论文，个人感觉都挺有意思的。这里先分享一下主要想法，稍后会整理好后放出论文、代码和数据：

来自博士生涂存超（个人主页：Cunchao Tu's Homepage）和本科生刘晗的 CANE: Context-Aware Network Embedding for Relation Modeling 。网络表示学习是社会计算的研究热点，在过去的方案中，每个网络节点只有一个固定的表示向量。而实际上，网络 节点会根据交互对象的不同而呈现出不同的特性。例如在学术合作网络中，A和B合作的主题与A和C合作的主题很可能截然不同。该工作利用社会网络中用户产生的文本信息（如论文），采用cross attention技术，建立了上下文敏感的网络节点表示学习模型，在这里某个网络节点的表示会根据链接邻居的不同而不同，该算法在社会网络链接预测任务上表现非常好。

来自博士生林衍凯（个人主页：Yankai Lin's Homepage）的Neural Relation Extraction with Multi-lingual Attention。这是对他去年ACL 2016上Neural Relation Extraction with Selective Attention over Instances的扩展，将去年提出的sentence-level attention扩展到了多语言场景下的multi-lingual attention，简单有效，显著提升了多语言场景下关系抽取的性能。个人非常喜欢这种简单有效，直击关键所在的工作。

来自本科生牛艺霖和硕士生谢若冰（个人主页：Ruobing Xie's Homepage）的Improved Word Representation Learning with Sememes。国内原创的语言知识库凤毛麟角，HowNet是其中翘楚。HowNet的创始人董振东先生认为，所有词汇的语义都可以用有限的原子语义（义元）组合而成，在这一思想的指导下，经过十余年的努力，形成了HowNet这一庞大的词汇语义标注框架。在十年前，国内很多学者曾利用HowNet开展了非常多原创研究，包括词汇相似度计算、词义消歧等。但最近几年HowNet有逐渐被冷落的迹象，少有有影响力的研究。我们认为，打破词汇级别的屏障，对词汇背后复杂而丰富的语义信息进行精准建模，是实现自然语言理解的关键所在，而义元无疑是十分有力的工具。在这篇工作中，我们尝试在词表示学习中引入义元信息，取得了非常好的效果，也发现义元标注对于复杂语境下的词义精确识别具有重要价值。我们认为，分布式表示（词表示学习）与符号表示（义元标注）的结合，能够赋予模型更好的区分能力和可解释性，在这篇工作之后，我们正在进行更加深入的探索，也建议引起更多学者关注。

有网友评论问WordNet和HowNet的区别，这里多说几句。WordNet通过Synset来管理词汇。每个Synset包含几个词，构成一个明确的词义；某个词通过放置在不同Synset中来显示它的不同词义。HowNet则人工构建了数千个互相独立的义元，每个义元可以看成是最小语义单位；HowNet通过不同的义元组合来标记词汇不同词义。两者的构建思想截然不同，很有意思。我个人认为HowNet的义元具有独特的重要意义，与WordNet的广泛流行相比，HowNet的价值被极大地忽视了。

来源：知乎 www.zhihu.com
作者：刘知远

【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。 点击下载
延伸阅读：
目前，世界上最先进的纸媒集团，他们怎么排版？
脑部训练应用 Lumosity 真的有用吗，上线不够十天获近万个五星好评，他们怎么做到的？