图灵汇官网

NAACL、ACL、EMNLP、COLING 是自然语言处理领域内的四大会议，其中NAACL、ACL、EMNLP均由ACL（计算语言学协会）主办。尽管NAACL名义上是ACL北美分会，但在自然语言处理界同样享有顶级会议的地位，其关注重点在于人类语言技术的研究。

第16届NAACL会议（NAACL 2018）计划于当年6月1日至6日在美国路易斯安那州的新奥尔良召开。会议已公布了接收论文的名单，共收到长论文647篇，其中接受207篇，接受率为32%；短论文425篇，接受125篇，接受率为29%。此外，会议官网还提前宣布了本届会议的4篇优秀论文和3篇时间检验奖获奖论文。

优秀论文

深度上下文化的词表示

该研究介绍了一种新的深度上下文化的词表示方法，旨在捕捉单词使用中的复杂特征（例如句法和语义）及其在不同语言环境下的变化（如多义词建模）。研究团队在一个大型文本语料库上预先训练了一个双向语言模型，并将该模型产生的词向量作为输入。实验结果表明，这种词表示方法可以轻松集成到现有模型中，在回答问题、文本蕴含、情感分析等多个自然语言处理任务中取得了显著提升。研究还指出，预训练模型的深度上下文特征对后续模型的性能至关重要。

基于上下文的句子映射到可执行的正式查询

这项工作提出了一种基于上下文的模型，用于将对话中的句子映射为可执行的查询语句。该模型通过维护一个对话级别的编码器来捕捉历史信息，并能复制之前预测过的查询片段。论文展示了这种方法在ATIS航班规划对话上的应用效果，突显了上下文建模和显式引用的优势。

利用实体表示作为上下文的叙事文本生成

论文介绍了一种神经文本生成方法，能够明确表示文本中的实体。这些实体表示采用向量形式，并在文本处理过程中不断更新。这种方法特别适用于小说或历史故事等叙事性文本。实验结果表明，实体建模有助于提升提及生成和正确下一句选择等任务的表现。人工评估进一步证实了这种方法的有效性。

循环神经网络作为加权语言识别器的研究

该研究探讨了简单循环神经网络（RNNs）作为加权语言识别模型时的计算复杂性。研究聚焦于单层、ReLU激活函数、有理数权重、带有softmax输出层的RNN模型。研究表明，对于这类RNN，大多数问题（如一致性、等价性、最小化及最高权重字符串确定）都是不可判定的。然而，对于一致性的RNN，最后一个问题是可判定的，尽管解决方案可能超出了所有计算范围。如果限制字符串长度为多项式级别，则该问题变为NP完全及APX-hard。这表明在实际应用中，需要使用近似和启发式算法。

时间检验奖论文

NAACL首次设立了时间检验奖，旨在表彰过去20年（2002-2012年）内对自然语言处理领域产生深远影响的研究成果。从ACL、NAACL、EACL、EMNLP和CONLL会议、研讨会及期刊中选出的论文中，最终选择了三篇具有代表性的论文：

BLEU：机器翻译的自动评估方法

这篇论文提出了一种快速、经济且跨语言的机器翻译自动评估方法——BLEU。这种方法不仅与人类评价结果高度一致，而且运行成本低廉，可作为人类评价的辅助工具，尤其适合需要快速、频繁评价的情况。

隐马尔可夫模型的判别性训练方法

该研究提出了一种新的算法，用于训练分类模型，可以作为最大熵模型或条件随机场模型的替代方案。这种方法利用Viterbi解码和简单的加法更新规则，经过实验验证，在语音片段分类和基础名词短语识别任务中表现优于最大熵分类器。

基于机器学习的情感分类

论文探讨了将机器学习应用于情感分类任务的可能性。研究发现，标准的机器学习技术在情感分类上明显优于人为设计的基准模型。然而，常用的机器学习方法（如朴素贝叶斯、最大熵分类和SVM）在情感分类任务中的表现不如传统的话题分类任务。此外，研究还指出了影响情感分类难度的一些因素。