「本周值得读」是 PaperWeekly 的优质文章集合地。在这里，来自 NLP、CV、DL 等方向的学习达人，各自用精炼妙语推荐当下最新的高质量文章。
➊
#机器阅读理解#
TriviaQA: A Large Scale Distantly Supervised Challenge Dataset for Reading Comprehension
本文提出阅读理解领域的一个新的数据集， 称为 triviaQA, 文章从 14 个问答网站收集问答对， 然后根据问答对， 将 bing 的搜索结果和维基百科的相关页融合出文章， 从而形成文章-问题-答案的数据样本。
数据集包括 650k 的 document-query-answer 对， 95k 的问答对，在规模上超出了之前阅读理解的主流数据集。在对数据集进行采样分析得出， 数据集中约 69% 的问题与文章具有不同的句法结构，41% 具有多义词或者短语， 40% 的答案需要多句联合推断才能得出答案， 答案并不完全是文章中的子文本串，在这个数据集的基础上， 作者实现了三个模型， 随机实体模型， 实体分类器， 和 BiDAF 网络（其中 BiDAF 网络在 Squad 数据集中取得较好的成绩, 当前排第六名， EM 分与人类相比差 9 个点）， 在 triviaQA 上分别取得了约 15%， 20%, 40% 的效果， 远低于人类的表现 80%, 这个巨大的鸿沟也意味着数据集对领域有着较大的推动作用。 本文还对模型的表现进行分析， 可以看出， 在长文本， 文本信息冗余， 联合推断等情况下， 当前模型的表现都还不够好。 这也意味着在阅读理解领域， 还有很多工作有待探索。
论文链接：
https://arxiv.org/abs/1705.03551
推荐人：
于翮，北京航空航天大学（PaperWeekly arXiv 组志愿者）
➋
#问答系统#
Ask the Right Questions: Active Question Reformulation with Reinforcement Learning
每个人问同一个问题的表述都可能是不同的，自动问答系统应该如何更好的理解用户的问题呢？当我们用一种描述方式来提问时，可能不会被 get 到，但也许换一种方式来表达就会好一些，这就是所谓的“ask the right questions”。本文提出了一种增强学习方案，通过重新表述用户的问题来让 QA 系统更好的理解问题，从而给出更加准确的答案，在 SearchQA 数据集上取得了比较明显的效果。本文工作来自 Google。
论文链接：
https://arxiv.org/abs/1705.07830
推荐人：
大俊，PaperWeekly 首席客服
➌
#CNN & RNN#
pix2code: Generating Code from a Graphical User Interface Screenshot
本文基于深度学习实现了由 GUI 图片自动行成 iOS、Android、Web 布局代码，达到了 77% 的准确度，并开放了训练数据集。pix2code 从两个角度出发，a：理解图像以及推断其中实体各个属性的 CV 问题；b：理解语言并生成合理语法语义文本的语言建模问题。
主要要点：
-
Vision Model：使用 VGGNet 对图片进行编码
-
Language Model：使用 DSL 对图片进行描述，并使用 LSTM 提取语言结构关系
-
结合 Vision Mode 和 Language Model：使 LSTM 把输入的 DSL 代码进行编码成 q，并与图片编码 p 连接成 r，把 r 传入解码器（stacked 双层 LSTM 网络）
-
Training：使用滑动窗口（window=48 empirical），multiclass log loss
-
Sampling：使用
符号做为开始和结束标志，一次生成一个符号，生成符号用作下一个符号生成的输入，直到遇到
亮点推荐：由 GUI 图片自动生成布局代码
演示地址：
https://github.com/tonybeltramelli/pix2code
论文链接：
https://arxiv.org/abs/1705.07962
推荐人：
罗玄
，北京邮电大学（PaperWeekly arXiv 组志愿者）
➍
#对话生成#
A Hierarchical Latent Variable Encoder-Decoder Model for Generating Dialogues (AAAI 2017)
本文在 Variational Autoencoder（VAE）启发下提出了 VHRED，用一个 latent variable 来解决对话生成（dialog generation）中的远距离语义控制问题。传统的对话生成模型如 RNNLM, HRED（hierarchical recurrent encoder-decoder）在生成下一句话的只能依靠 RNNLM 或者 decoder RNN 的当前 state，这样这个 state 就需要负责两个工作：（1）根据已生成的 tokens 生成下一个 token；（2）保存该句子的整体语义（例如 topic）。如此一来在生成一句话的过程中，随着 state 的变化就很难保持整体语义。
本文在 HRED 基础上，还用了一个 latent variable 来作为 decoder RNN 生成一个句子时的条件，从而通过该 latent variable 来保证（1）句内语义统一；（2）上文信息的有效保留。Latent variable 的训练参考了 VAE [2] 这篇文章。 实验中使用了 Twitter Dialogue Corpus 作为训练语料。在 AMT 的人工评价中，本文将 VHRED 和 TF-IDF、LSTM、HRED 进行了对比。在给出较短上文时，用户认为 VHRED 生成的句子好于 TF-IDF、HRED，而在给出较长上文时，VHRED 好于所有其他模型。在自动指标（word embedding-based topic similarity）评价中，VHRED 也取得了最好的得分。
Latent variable 的应用有助于对不同层级的关系进行建模，可以用于 music modeling，language modeling 等方面。同时，这类模型的优化也一般需要用到贝叶斯方法。
相关文章 CVAE [3], [4]。
论文链接：
[1] https://arxiv.org/abs/1605.06069
[2] https://arxiv.org/abs/1312.6114
[3] https://arxiv.org/abs/1705.00316
[4] https://arxiv.org/abs/1703.10960
推荐人：
赵天雨
，京都大学（PaperWeekly arXiv 组志愿者）
➎
#关系推理神经网络#
A simple neural network module for relational reasoning
来自于 Google DeepMind 的关系推理神经网络。关系推理是通用人工智能的最重要模块，但是事实证明神经网络很难学会。DeepMind 构造了一种关系推理神经网络，定义一堆对象 O={o_1, o_2, ... o_i, o_j, ...} 之间的关联函数为，RN(O) = f_{phi} (sum_{ij} g_{theta}(o_i, o_j) )。其中 g_{theta} 计算任意两个对象 o_i 和 o_j 之间的关联，求和保证了不同对象之间关联的顺序无关性，f_{phi} 最后产生最终顺序无关的 all-to-all 的关系推理。这个网络在一组测试集上的推理表现超越了人类，在 bAbI 自然语言问答上也表现卓越。
论文链接：
https://arxiv.org/abs/1706.01427
推荐人：
庞龙刚，UC Berkeley（PaperWeekly arXiv 组志愿者）
➏
#故事生成#
Event Representations for Automated Story Generation with Deep Neural Nets
