近期，我组张文的一篇长文和邵晨泽的一篇短文被EMNLP2018录用。
EMNLP2018, 2018 Conference on Empirical Methods in Natural Language Processing将于2018年10月31日至11月4日在比利时的首都布鲁塞尔举行。EMNLP是自然语言处理领域的重要国际会议，每年举办一次。
张文的论文领域为机器翻译，其被录用的论文信息如下：
文章名：Speeding Up Neural Machine Translation Decoding by Cube Pruning
作者列表：Wen Zhang, Liang Huang, Yang Feng, Lei Shen and Qun Liu
主要内容：尽管神经机器翻译已取得了可喜的成果，但它在推理时的翻译速度较慢。这样的直接后果是必须在翻译质量和速度之间进行权衡，而其性能无法得到充分发挥。在本文中，我们将cube pruning应用于神经机器翻译以提高翻译速度。通过组合相似的目标隐藏状态以构造等价类，使得目标端的RNN扩展操作和在目标端的大词汇表上的softmax操作变少。实验结果表明，当获得相同甚至更好的翻译质量时，我们的方法可以比朴素的beam search在GPU上快5~7倍，在CPU上快7.3倍。
邵晨泽的论文领域为机器翻译，其被录用的论文信息如下：
文章名：Greedy Search with Probabilistic N-gram Matching for Neural Machine Translation
作者列表：Chenze Shao, Xilin Chen, Yang Feng
主要内容：神经机器翻译（NMT）模型通常在Teacher Forcing算法下利用单词级损失进行训练，不能正确评估翻译并受到exposure bias的影响。强化框架下的序列级训练可以缓解词级损失的问题，但是这种改进受到梯度估计的高方差的限制。在本文中，我们引入了概率n-gram匹配，并提出了一种生成可微分序列级目标的方法，通过它我们减少了对梯度估计的依赖。另外，我们在训练中直接进行贪婪搜索以减轻exposure bias。NIST汉英翻译任务的实证结果表明，我们的方法明显优于基于强化的算法，并且在强基线系统上实现了平均1.5个BLEU值的提升。