首届欧洲NLP会议EurNLP2019：学术界与工业界齐聚一堂探讨语言世界
在深度学习的热潮下，人工智能的各个相关领域都展现出勃勃生机，学术会议也一个紧接着一个。今年十月上旬，在甘肃敦煌举行的以中文语言计算为特点的 NLPCC 2019 才刚刚落幕，首届欧洲 NLP 会议 EurNLP 就于 11 日在英国伦敦举行。这次会议关注学术界和工业界出现的真实世界 NLP 问题，让欧洲的青年学者和专家们齐聚一堂，讨论基础科研和实证研究话题。
本次为期一天的首届 EurNLP，有大约 200 人参加，共收到 179 篇有效论文投稿，接收论文 57 篇（接收率 31.8%）。会议议程包括了1个大会报告、4场论文报告以及1个圆桌讨论。除此之外，还安排了一个论文海报讨论环节，为学生、研究者们提供了展示自己的机会；这些论文主题多样化，不仅包括了多语言性、语言中的偏倚、机器学习、多模态，还有文本生成等。
德国达姆施塔特工业大学的 Wei Zhao 和哈尔滨工业大学教授 Haixia Chai 分享了他们对这次活动的心得体会。在演讲环节，他们分享了一些值得注意的话题，比如 Vera Demberg 讨论的人类标注中不统一的问题，以及 Dirk Hovy 强调的人工智能模型可能带来的责任问题。
Vera Demberg 在她的演讲中提出：“我们是否需要更多地考虑处理过程中的具体区别？”她提出了人类标注存在不统一性的问题，并通过实验表明不同参与者的回答差异巨大，但时间上的变化并不显著。
Dirk Hovy 在他的演讲中强调：“层数越多，责任越大。”他介绍了过去几十年的 AI 发展历程，从启发式到统计型再到神经网络，他特别指出了现代神经网络模型可以解决复杂问题，但如何确保它们可信赖、可解释还有待解决。
Joakim Nivre 讨论的是依存句法分析的问题。他回顾了依存句法分析历史，并指出基于图结构和基于转换结构两种方法在短期内表现相似，但随着关系长度增加后者更容易出现错误传播。同时，他呼吁未来的句法分析寻找新的预测方式，而不是依赖显式监督。
Bonnie Webber 提出了隐式推理关系与显式关系共同存在的问题，她用填空任务实验来说明这一点。她还提到了使用神经网络进行句法解析似乎简单，其实并非如此，这是 Natalie Schluter 的观点，她证明了一种正式证明显示在指数时间猜想下，这样的算法无法小于三次方时间完成解码工作。
Gemma Boleda 讨论的是分布式表示中的通用信息与特定情境信息互动。她介绍了两个最新成果：识别语义漂移，以及 LSTM 模型中词汇模糊性的探测能力。
Reut Tsarfaty 引入了一些逻辑对话理论，比如不要让产出的结果增加不必要信息量，然后她列举了文本之间空元素，如去掉动词后的各种形式。此外，她还提到了人机对话需要发展更全面的方法，这是 Lucia Specia 的观点，她强调针对模态文本机器翻译是一种有效应对噪声输入的手段。
André Martins 提出了超越 Sparsemax - 自适应稀疏 Transformer 的想法，他引入一种替代 softmax 方法 sparsemax，它可以输出稀疏概率分布，同时保持损失函数凸性可微。Angela Fan 则从Transformer模型剪枝角度出发，她提出一种名为 LayerDrop 的方法，可以减少模型资源消耗而无需损失性能。而 Rico Sennrich 关心的是Transformer模型内部重要注意力头识别，以及如何剔除没有影响性能的大部分头部，而不会影响整体效果。这也是圆桌讨论的一部分内容，其中几个顶尖研究人员分享他们在学术界及工业界经验，并就两者的区别进行深入交流。
