@tobiaslee 推薦
#Sentiment Modification
本文是北京大學發表於 EMNLP 2018 的工作，論文解決了一個非常有趣的問題——Sentiment Modification，將某種情感極性的文字轉化成另外一種極性，比如將“這家店的服務很不錯”（正向）變為“這家店的服務很差”（負向）。
通過使用 attention weight 作為指示來去除情感詞得到 neutralized context，隨後根據情感詞構建 sentiment memory，並通過該 memory 對 Seq2Seq 中 decoder 的 initial state 進行初始化，幫助其生成另外一種極性的文字。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2263
原始碼連結
https://github.com/lancopku/SMAE
@filterc 推薦
#Question Generation
本文是清華大學黃民烈老師團隊發表於 ACL 2018 的工作。深度學習對話模型存在的問題：語義理解問題、上下文理解問題、個性身份一致性問題。通過向使用者提問，可以更好將對話進行下去，而提出一個好問題，也體現機器對人語言的理解。一個好的問題包括：interrogative（詢問詞），topic word（主題詞）和 ordinary word（普通詞）。
本文基於 encoder-decoder 的框架，提出兩種 decoders（STD 和 HTD），來估計生成出的句子中每個位置上的詞是以上三種型別的分佈。作者爬取微博 900w 對話資料，做了兩個處理共得到 49w 對。用 20 個人工模板篩選了提問式的回覆，過濾了通用的回覆如“是嗎”、“真的嗎”。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2221
原始碼連結
https://github.com/victorywys/Learning2Ask_TypedDecoder
Learning Context-Sensitive Convolutional Filters for Text Processing
@vertigo 推薦
#Sentence Matching
本文是杜克大學發表於 EMNLP 2018 的工作。基於 hypernetworks 的思想，作者提出了用 Meta Network 來生成 CNN 模型的引數，並通過這種方式將 context 的資訊引入到模型當中（Meta Network 的輸入可以是句子本身或者另外的文字）。作者將這個 context-sensitive 的框架運用到文件分類和句子匹配等多種問題上，獲得了明顯的提升。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2260
@paperweekly 推薦
#Image Denoising
本文來自哈工大和香港理工大學，主要研究卷積網路在真實影象上的去噪效果。論文提出了一個更加真實的噪聲模型，充分考慮了訊號依賴噪聲和 ISP 流程對噪聲的影響，證明了影象噪聲模型在真實噪聲影象中起著關鍵作用。其次，論文提出了可實現影象盲去噪的 CBDNet 模型，該模型包含一個噪聲估計子網路和一個非盲去噪子網路。
此外，作者還提出了非對稱學習（asymmetric learning）的損失函式，允許使用者互動式調整去噪結果以增強去噪結果的魯棒性。作者將合成噪聲影象與真實噪聲影象一起用於網路的訓練，提升網路的去噪效果和泛化能力。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2294
原始碼連結
https://github.com/GuoShi28/CBDNet
@paperweekly 推薦
#3D Reconstruction
本文是復旦大學、普林斯頓大學、Intel Labs 和騰訊 AI Lab 合作發表於 ECCV 2018 的工作。文章提出了一種端到端的深度學習框架，可從單張彩色圖片直接生成三維網格（3D Mesh）。與現有方法不同，本文使用圖卷積神經網路表示 3D mesh，利用從輸入影象中提取的特徵逐步對橢球進行變形從而產生正確的幾何形狀。本文使用由粗到精的模式進行生成，使得整個變形過程更加穩定。
論文詳細解讀：ECCV 2018 | Pixel2Mesh：從單幀RGB影象生成三維網格模型
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2283
原始碼連結
https://github.com/nywang16/Pixel2Mesh
@somtian 推薦
#Recommender Systems
本文是最新發表的一篇利用深度學習做推薦系統的綜述，不僅從深度學習模型方面對文獻進行了分類，而且從推薦系統研究的問題方面對文獻做了分類。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2271
@zhangjun 推薦
#Domain Adaptation
本文是麻省理工發表於 EMNLP 2018 的工作，論文提出了一種多源遷移學習的無監督訓練方法，通過將所有 source 分為 meta-source 和 meta-target 自動構建訓練資料集，顯式地學習每個 source set 和 target example 之間的匹配度，不同的匹配度將決定 source 對 target 的重要程度。本文方法可以很好地避免 negative transfer，文中實驗成功地將 twitter source 匹配度降到最低。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2284
@xuehansheng 推薦
#Network Embedding
本文針對現有的網路圖相似度計算方法 GED/MCS 的時間複雜度較高的缺陷，提出了一種基於神經網路的全新的網路圖相似度計算方法，在保證準確率的同時提高計算效率。本文的主要貢獻在於首次將神經網路引用到圖計算中，為圖相似度計算提供了一個全新的研究方向。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2257
@lxylxyoo 推薦
#Text Classification
本文是北京大學發表於 COLING 2018 的工作，論文用序列生成的方式進行多標籤分類，引入了標籤之間的相關性。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2270
原始碼連結
https://github.com/lancopku/SGM
@guohao916 推薦
#Machine Reading Comprehension
本文釋出了一個基於多語句的機器閱讀理解資料集，與以往常見的機器閱讀理解資料集不同，該資料集具有以下特點：
1. 資料集中答案以多選的形式出現，一個問題對應多個答案，不侷限於一個答案；
2. 對於問題的解釋來自於篇章中的多條語句，而不是僅侷限於一條語句；
3. 資料集來源於 7 個不同的領域（話題），從而增強了篇章內容話題的多樣性。
針對該問題和資料集，作者設計了一系列基於多個基準演算法的實驗。基準演算法包括：Random, IR, SurfaceIR, SemanticILP, BiDAF。文章定義了問題被回答的準確率，召回率和 F1 並設定為度量指標。實驗結果表明不論是在驗證集還是在測試集上，表現最好的基準演算法 SurfaceIR 得到的 F1 指標，相比較於人工判斷得到的結果相差接近 20 個百分點。因此模型上還存在著很大的改進和提升空間。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2256
原始碼連結
https://github.com/CogComp/multirc
@paperweekly 推薦
#Video Re-localization
本文是騰訊 AI Lab 和美國羅切斯特大學合作發表於 ECCV 2018 的工作，研究目的是在給定一個欲搜尋的視訊後，在某個備選視訊中快速找到與搜尋視訊語義相關的片段，這在視訊處理研究領域仍屬空白。因此本文定義了一個新任務——視訊再定位（Video Re-localization），重組 ActivityNet 資料集視訊，生成了一個符合研究需求的新資料集，並提出一種交叉過濾的雙線性匹配模型，實驗已證明了其有效性。
論文詳細解讀：ECCV 2018 | 騰訊AI Lab提出視訊再定位任務，準確定位相關視訊內容
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2272
原始碼連結
https://github.com/fengyang0317/video_reloc
@paperweekly 推薦
#Scene Segmentation
本文來自中科院自動化所。場景分割是語義分割領域中重要且具有挑戰的方向，為了有效完成場景分割任務，需要區分一些容易混淆的類別，並考慮不同外觀的物體。本文提出了一個新的自然場景影象分割框架，稱為雙重注意力網路（DANet），引入了一種自注意力機制來分別捕捉空間維度和通道維度上的視覺特徵關聯。
在處理複雜多樣的場景時，本文提出的方法比以往的方法更為靈活、有效，在三個具有挑戰性的場景分割資料集（Cityscapes、PASCAL Context 和 COCO Stuff）上取得了當前最佳分割效能。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2295
原始碼連結
https://github.com/junfu1115/DANet
@Minusone 推薦
#Recommender System
本文是 Airbnb 團隊發表於 KDD 18 的工作，摘得 Applied Data Science Track Best Paper 獎項。論文介紹了 Airbnb 利用 word embedding 的思路訓練 Listing（也就是待選擇的民宿房間）和使用者的 embedding 向量，並在此基礎上實現相似房源推薦和實時個性化搜尋。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2264
Searching Toward Pareto-Optimal Device-Aware Neural Architectures
@zhangjun 推薦
#Neural Architecture Search
本文來自 Google Research 和國立清華大學。大多數 NAS 的工作都針對優化結果在 test dataset 上的準確性，而忽略了在一些硬體裝置（比如：手機）上的模型還應考慮延遲和功耗，由此可將單目標優化問題轉換成一個多目標優化問題。本文深入分析了兩種常見的多目標 NAS 模型 MONAS 和 DPP-Net，並在一些裝置上進行了實驗對比。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2259
@Molly 推薦
#Recommender System
本文是對“可解釋性推薦系統”相關以及最新研究的調研總結，內容包括問題定義、問題歷史、解決方案、相關應用和未來方向。論文內容較為全面，對於剛接觸這一方向或者已經從事搭配領域的業者學者有很好的借鑑意義，文章最後對於一些可以發展的方向的論述也很有啟發意義。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2276