[ 自然语言处理 ]
A Gap-Based Framework for Chinese Word Segmentation via Very Deep Convolutional Networks
@jueliangguke 推荐
Convolutional Neural Network
本文提出了一个全新的中文分词框架，使用深度卷积网络在多个数据集上达到了 state-of-the-art。
论文链接
https://www.paperweekly.site/papers/1473
A Survey on Dialogue Systems: Recent Advances and New Frontiers
@paperweekly 推荐
Dialog Systems
本文来自京东数据科学团队，这是一篇非常全面的对话系统综述，引用了 100+ 篇相关论文，并对论文进行了分类。
论文链接
https://www.paperweekly.site/papers/1446
How to Make Context More Useful?
@zhangjianhai 推荐
ContextQA
在自然语言对话领域，论文首先对比了目前几种流行的 Context-aware 模型，包括 Non-hierarchical 模型（将 context 与 query 作为一个序列建模）以及 Hierarchical 模型（将 context 与 query 分别建模生成向量表示，在此基础上采用不同的方式进行整合，包括 sum，concat，sequential integration 等）。
最后，论文提出了一种 Weighted Sequential Integration 的上下文整合方式，对不同的上下文赋予不同的权重。对 ContextQA 相关工作具有一定借鉴意义。
论文链接
https://www.paperweekly.site/papers/1476
SAM: Semantic Attribute Modulation for Language Modeling and Style Variation
@cfjmonkey 推荐
Text Style Transfer
该文实现了基于给定属性的文本风格的转换。属性包括标题、作者和类别。不同类别的文章用词分布不同，同一作者的写作风格是一致的，标题个人理解可以看做关键词定基调，相比关键词语料更丰富。
实验在新闻、影评和歌词三大类文本中进行。 该工作作者来自今日头条，eBay 和清华。
论文链接
https://www.paperweekly.site/papers/1461
Globally Normalized Reader
@zhangjun 推荐
Question Answering
来自百度的 QA 系统，本文已被 EMNLP 2017 接收。
阅读原文