近日，国际自然语言处理领域顶级学术会议——计算语言学协会年会（ACL 2020）公布了本届大会论文接受结果。

根据此前官方公布的数据，本届大会共收到3429篇投稿，创下历史新高。其中，百度有11篇论文入选大会，再次展现了其在自然语言处理领域的高超水平。

计算语言学协会（ACL）是自然语言处理领域最具影响力和活力的国际学术组织之一。百度CTO王海峰于2013年担任ACL主席（），是ACL历史上首位华人主席。

ACL除了在国际人工智能界具有一定影响力外，其评审标准和评审质量均被公认为当今人工智能领域顶级国际会议中的佼佼者。

一篇研究论文被接受，不仅意味着研究成果得到了国际学术界的认可，也证明了研究本身在实验严谨性、创新性思想等方面的实力。ACL 2020的评审周期从去年12月持续到今年4月，与往年相比增长了近一倍。

虽然会议尚未正式公布今年整体的论文录取率，但参考往年的评审流程和录取率，论文被录取的难度仍然不低。

百度的自然语言处理技术始终走在开发和应用的最前沿，一直被视为自然语言处理研究领域的“第一梯队”。除了今年录用的11篇论文外，百度还将在大会期间联合清华大学、清华大学等国内外顶尖公司和高校举办首届同声传译研讨会（The 1st on）。

由于近期疫情影响，原定于今年7月5日至10日在美国西雅图举办的会议改为线上活动，上述同声传译研讨会也将改为专家学者线上研讨。

百度此次大会收录的11篇论文涵盖了自然语言处理领域诸多前沿研究方向，包括对话与交互系统、情感分析/预训练表征学习、NLP文本生成与摘要、机器翻译/同声传译、知识推理、AI辅助临床诊断等，提出了许多新算法、模型和方法，包括增强情感知识的语言模型预训练方法、基于图表征的多文档生成摘要方法等，不仅极大提升了相关领域的研究水平，也将推动技术在人机交互、机器翻译、智慧医疗等场景的应用。

以下概述了 ACL 2020 中被百度索引的 11 篇论文。

下列，

1. 对话互动系统

1. 开放

我们提出以图的形式捕获对话转换规则作为先验信息，以辅助开放域多轮对话策略学习。基于该图，我们设计了一个策略学习模型来指导更连贯和可控的多轮对话生成。

首先，我们从对话语料库中构建一个对话图（CG），其中顶点表示“说什么”和“怎么说”，边表示对话当前句子和其响应句子之间的自然过渡。

然后，我们提出了一个基于 CG 的策略学习框架，该框架通过图遍历执行对话流规划一点号文章会被百度收录吗，学习从 CG 中识别哪个顶点以及如何在每次对话时指导从该顶点生成响应。

我们可以有效地利用CG来促进对话策略的学习。具体来说：

（1）可用于设计更有效的长期奖励；

（2）提供高质量的候选操作；

（3）它使我们对策略有了更多的控制。我们在两个基准语料上进行了实验，结果证明了所提框架的有效性。

2.：预先用

开发能够用自然语言与人自由交流的开放域对话机器人一直是自然语言处理领域的终极目标之一。

对话系统面临很多挑战，其中两个挑战非常重要，一是缺乏大规模开放领域多轮对话数据，二是对话涉及常识、领域知识和上下文，对话的上下文（）往往可以对应多个不同的回应方向（）。

首次提出将离散隐变量与结构相结合，应用到一般对话领域，通过引入离散隐变量，可以有效建模前文与回复之间的“一对多”关系。同时利用包括和在内的大规模人际对话类语料对生成模型进行预训练，然后在有限的人际对话语料上进行微调，可以得到高质量的生成结果。

它可以灵活支持多种对话，包括闲聊、知识聊天、对话问答等，在文章最终公布的三个公开对话数据集上的评测都取得了新的最优结果。

虽然越来越多的工作证明，随着预训练和大规模语料库的引入，自然语言处理领域已经开启了先预训练再微调的范式。

在对话模型方面，大规模预训练尚处于起步阶段，有待进一步探索。提出的隐变量空间预训练模型或将成为端到端对话系统迈上新台阶的关键点之一。

3. 过度打字

真实的人机对话涉及多种类型的对话（闲聊、任务型对话、问答等），如何自然地融合多种类型的对话是一个重要的挑战。为了应对这一挑战，我们提出了一项新的任务——多类型对话中的对话推荐。我们期望Bot能够主动、自然地将对话从非推荐型对话（如“问答型”）引导到推荐型对话，然后根据收集到的用户兴趣和实时的用户反馈，通过多次交互完成最终的推荐目标。

为了方便该任务的研究，我们注释了一个人与人对话推荐数据集（10,000 个对话和 164,000 个对话），其中包含多种对话类型、多个领域和丰富的对话逻辑（考虑到实时用户反馈）。

对于每一对：推荐寻求者（用户）和推荐者（机器人），都有多个连续的对话。在每一次对话中，推荐者利用丰富的交互行为主动引导多类型对话不断接近推荐目标。

该数据集使我们能够系统地检查整个问题的不同部分，例如如何自然地引导对话以及如何与用户互动以促进推荐。

最后，我们使用具有多对话目标驱动策略机制的对话生成框架建立了基线结果，证明了该数据集的可用性并为未来的研究设定了基线。

2. 情绪分析/预训练表征学习

4. SKEP：预

近年来，随着预训练语言模型的快速发展，情感分析等很多自然语言理解任务取得了显著的提升，然而在通用语言模型的预训练中，文本中大量与情感相关的知识和信息，如情感词、实体-评论搭配等还未被模型充分学习。

在此基础上，百度提出了一种融合情感知识增强的语言模型预训练方法，在通用预训练的基础上，设计了情感知识建模策略和情感多目标学习算法，融合情感词、极性、主题-评论关系等多个层次的情感知识，首次实现了针对情感任务的统一文本预训练表征学习。

该算法在情感分类、观点提取等情绪分析任务上较主流预训练模型有显著提升，并在多个情感分析标准测试集上创下世界最好成绩。

5.-带有-View

在本文中，我们针对未标记资源的目标语言提出了一种无监督的跨语言情感分析模型。

3. NLP 文本生成和摘要

6. 至 —

多文档摘要（-）技术针对一组主题相关的文档自动生成简洁、连贯的摘要文本，具有广泛的应用场景，例如热门话题评论、搜索结果摘要、聚合性写作等。

生成式多文档摘要方法的难点之一是如何有效地建模文档内及文档间的语义关系，从而更好地理解输入的多文档。为此，本文提出一种基于图表示的多文档生成式摘要方法，将语义相似度图、章节结构图等多文档语义关系图融入神经网络模型，对多章节输入及摘要内容组织过程进行建模，从而显著提升多文档摘要效果。

基于端到端的编解码框架，图编码器使用语义关系图对文档集进行编码表示，图解码器进一步利用图结构组织摘要内容并解码生成连贯的摘要文本。

它还可以方便地与各种通用预训练模型相结合，进一步提升摘要效果。在大规模多文档摘要数据集上的实验表明，该模型相较于现有的生成式摘要方法具有很大优势，在自动和人工评估方法下的结果都有明显提升。

7. Word-for

无监督风格迁移是指在缺乏平行语料的情况下，将输入句子变成目标风格的同时尽可能保持其原有的含义。本文提出了一种新的序列到序列生成模型，能够根据生成词的风格相关性动态地进行风格迁移。本文主要有两点创新：一是利用层次相关性传播算法计算风格分类器中每个输入词的风格相关性信息，并以此作为引导信号来训练生成器，使得生成器在生成的同时就能预测下一个词的风格相关性；二是设计了一个风格迁移解码器，以词级风格相关性和语义信息作为输入，通过多个损失项进行训练，实现风格迁移的功能。实验表明，本文提出的方法在情感风格迁移和口语风格迁移任务上均取得了领先的效果。

4.机器翻译和同声传译

8. 与

同声传译具有许多重要的应用场景，近年来受到学术界和工业界的广泛关注，但现有的大多数框架难以兼顾翻译质量和延迟，即解码策略通常要么过于激进，要么过于保守。

在本文中，百度首次提出了一种具备及时纠错能力的解码技术，该技术在每一步始终生成一定数量的额外单词，以便让受众随时掌握最新信息。同时，在观察更多上下文时，也会对之前过度生成的单词进行及时纠错，以保证较高的翻译质量。

本文还首次提出了针对该纠错场景的延迟指标。实验表明，我们的技术提高了延迟和质量：延迟降低了 2.4，BLEU 提高了 3.1，中英和中英翻译的修改率小于 8%。该系统可以用于任何语音转文本同声传译系统。

9. ：从 到

同声翻译是机器翻译中的一个重要课题，它不仅要求翻译结果的质量高，而且要求翻译过程中的延迟低。同声翻译的过程可以看作是一个选择“读”还是“写”的决策过程，所采用的策略决定了同声翻译的质量和延迟。

本文提出了一种简单的启发式算法，可以将几种精简的固定“读写”策略组合成一种基于翻译模型输出的概率分布的灵活策略。

本文进一步将算法与集成方法相结合，不仅提高了翻译质量，还降低了翻译过程的延迟。该算法简单，不需要训练策略模型，更易于在产品中使用。

5.知识推理

10、 ，并通过打开

通过贝叶斯结构学习，建立开放域关系与概念()之间的关联，很好地解释了为什么某个实体属于某个概念。

6. 人工智能辅助临床诊断

11. 使用 CNN

基于电子病历（EMR）的智能诊断算法是人工智能医疗研究领域最重要、最活跃、应用最广泛的议题之一。

传统的诊断算法要么直接使用端到端的分类模型，丧失了可解释性，要么仅基于知识关系和规则进行推理，可转移性和可扩展性较低。

本研究提出了一种新的诊断算法框架，该框架结合医学NLU与深度学习模型，基于电子病历中非结构化文本与结构化信息共存的特点，实现电子病历的向量表示、诊断预分类和概率计算，并利用医学知识图谱增强的多个贝叶斯网络组合模型实现可解释的诊断推理。

该框架能够同时兼顾诊断准确率高与可解释性强的特点，可应用于基层医生的辅助临床诊断产品。

通过自主科研创新和自有AI生态，百度一直坚持探索顶尖学术研究方向，未来百度必将在人工智能等各科研领域谱写出更多精彩篇章。