#硬广
岗位职责:
负责手机 QQ 浏览器信息流中心，前端功能开发；
负责信息流中心接入层开发，以及部分服务开发；
参与基础能力建设和工具链建设。
岗位要求:
精通 ECMAScript 2016（及以上），熟练使用一种框架 Vue/React/…，熟练使用 Babel/webpack 等 编译工具，有一定的工程化思考，有 ReactNative、Weex、小程序等开发经验优先；
精通 Node.js，熟练掌握 Express 、 koa 等 Web 框架，了解常用数据存储方案的选型与使用，有大型Web站点开发经验；
掌握基本的安全知识，XSS 攻击等防范技术，掌握 HTTP / HTTP2.0 协议等；
拥有良好的代码习惯，结构清晰，命名规范，逻辑性强，代码冗余率低；
具有良好的对内、对外沟通协调能力，责任心强，踏实进取，追求卓越，具有良好分析问题解决问题能力。
简历发邮箱： 79397550@qq.com 即可。
欢迎做 Web 的朋友来聊聊看。
岗位职责:
负责手机 QQ 浏览器信息流中心，前端功能开发；
负责信息流中心接入层开发，以及部分服务开发；
参与基础能力建设和工具链建设。
岗位要求:
精通 ECMAScript 2016（及以上），熟练使用一种框架 Vue/React/…，熟练使用 Babel/webpack 等 编译工具，有一定的工程化思考，有 ReactNative、Weex、小程序等开发经验优先；
精通 Node.js，熟练掌握 Express 、 koa 等 Web 框架，了解常用数据存储方案的选型与使用，有大型Web站点开发经验；
掌握基本的安全知识，XSS 攻击等防范技术，掌握 HTTP / HTTP2.0 协议等；
拥有良好的代码习惯，结构清晰，命名规范，逻辑性强，代码冗余率低；
具有良好的对内、对外沟通协调能力，责任心强，踏实进取，追求卓越，具有良好分析问题解决问题能力。
简历发邮箱： 79397550@qq.com 即可。
欢迎做 Web 的朋友来聊聊看。
Vintage NLP for Work
North American Summer School on Logic, Language, and Information (NASSLLI 2018) https://www.cmu.edu/nasslli2018/courses/index.html CMU 今年刚组织的一个暑期班，课程内容非常完善覆盖了逻辑学、语言哲学、计算语言学等学科交叉的基础知识和新的方法。强烈推荐。
Graph Formalisms for Meaning Representations (Morning)
Adam Lopez and Sorcha Gilroy
https://drive.google.com/drive/folders/1fgqcGZkr_9Bhnla649yR6wSPps8Tu6ND?usp=sharing
刚刚结束的 EMNLP 2018 有一个关于形式语义的图表示方法的 tutorial，其实讲者和以前推荐过的 NASSLLI 2018 的相同。现在越来越多的语义形式化方法采用了图结构，图上的形式变换将是一个非常有新意的方向。
Adam Lopez and Sorcha Gilroy
https://drive.google.com/drive/folders/1fgqcGZkr_9Bhnla649yR6wSPps8Tu6ND?usp=sharing
刚刚结束的 EMNLP 2018 有一个关于形式语义的图表示方法的 tutorial，其实讲者和以前推荐过的 NASSLLI 2018 的相同。现在越来越多的语义形式化方法采用了图结构，图上的形式变换将是一个非常有新意的方向。
Vintage NLP for Work
Variational Inference and Deep Generative Models tutorial https://github.com/philschulz/VITutorial
Deep Latent-Variable Models for Natural Language
Yoon Kim, Sam Wiseman, Alexander Rush
http://nlp.seas.harvard.edu/latent-nlp-tutorial.html
巧的是 EMNLP 另一个 tutorial topic 与今年 ACL 的相似，来自哈佛NLP组，也是讲深度变分模型和隐变量推断。能观察到目前机器学习方面的新技术对 NLP 任务的革新。这两个tutorial 结合观看，应该称得上是这两年计算语言学方面非常有新意的进展。不过坦率来说，在18年变分本身已经不太是亮点了。
链接中提供了 slides 和代码，可以配合食用。
Yoon Kim, Sam Wiseman, Alexander Rush
http://nlp.seas.harvard.edu/latent-nlp-tutorial.html
巧的是 EMNLP 另一个 tutorial topic 与今年 ACL 的相似，来自哈佛NLP组，也是讲深度变分模型和隐变量推断。能观察到目前机器学习方面的新技术对 NLP 任务的革新。这两个tutorial 结合观看，应该称得上是这两年计算语言学方面非常有新意的进展。不过坦率来说，在18年变分本身已经不太是亮点了。
链接中提供了 slides 和代码，可以配合食用。
nlp.seas.harvard.edu
harvardnlp
Home of the Harvard SEAS natural-language processing group.
Forwarded from 少数派sspai
如何写出高水平文献综述？《教授为什么没告诉我》读书笔记 [by 四旬]
http://sspai.com/post/47341
http://sspai.com/post/47341
少数派 - 高品质数字消费指南
如何写出高逼格文献综述？《教授为什么没告诉我》读书笔记 - 少数派
「自古以来，论文便是各派学子必争之地，论文水平之高低，常被等同于学术功力。」如何写好一篇论文综述，来看看作者怎么说。
EMNLP 2018 Thoughts and Notes
https://supernlp.github.io/2018/11/10/emnlp-2018/
记录今年 EMNLP 的一些实录和热点推荐，很多文章值得细读
https://supernlp.github.io/2018/11/10/emnlp-2018/
记录今年 EMNLP 的一些实录和热点推荐，很多文章值得细读
https://link.springer.com/article/10.1007/s10994-018-5742-0
传奇大佬Vapnik的新文章，剑指传统的机器学习模式即期望误差最小化，并称新的分析以数学结构为依据并不是突发奇想的启发式方法。刚看了个开头，有兴趣的朋友可以一起来读下看看。
传奇大佬Vapnik的新文章，剑指传统的机器学习模式即期望误差最小化，并称新的分析以数学结构为依据并不是突发奇想的启发式方法。刚看了个开头，有兴趣的朋友可以一起来读下看看。
SpringerLink
Rethinking statistical learning theory: learning using statistical invariants
Machine Learning - This paper introduces a new learning paradigm, called Learning Using Statistical Invariants (LUSI), which is different from the classical one. In a classical paradigm, the...
https://twitter.com/MSFTResearchCam/status/1067019684481048576
https://www.microsoft.com/en-us/research/people/cmbishop/#!prml-book
https://www.microsoft.com/en-us/research/people/cmbishop/#!prml-book
Twitter
Microsoft Research
"Pattern Recognition and Machine Learning" by @ChrisBishopMSFT is now available as a free download. Download your copy today for an introduction to the fields of pattern recognition & machine learning: https://t.co/3tOOHA8Dan #ML #Insights
Forwarded from 荔枝木
好的，我交稿了。我可以把客观中立的皮扒了，开始代表我自己说话。
我跟你们说，我的职业性质，和这背后代表的普罗大众，真的低级。
没有歧视记者和公众的意思，就是低级。
今天采访科学家，卧槽，这特么折服。每一个人，都温和、理性、专注、坚定。
什么名利啊、风头啊，统统不在乎，在意科学的进步、伦理的维系，还有两个小孩的命运。
而那个人恰恰相反。
而我们的聚光灯全都对准他，我真的觉得不公平。
在场的科学家，每一个都著作等身，有诺奖获得者，有各种前沿技术的发明人，在最顶尖的学术机构当mentor。许多人的头衔都华丽得，我写稿的时候都不知道该选哪个。
这些人才应该是主角，纤尘不染，自得其乐。
但是他们都变成了粉刷匠，在尽力修补这个人捅破的天。
有时候，我自己都觉得我提的问题好蠢，因为我真的不懂。但是没有一个人指责我浪费他们的时间。会耐心地解答、补充，生怕我因为不理解写错。
这本来是一个多好的论坛啊。
第一届在2015年举行。至今科学家们提起那届，都觉得骄傲。那是他们第一次提出系统性的guidance，是行业的bible。
这个领域本来有那么好的共识，得到了世界范围内的承认，像一种属于人类的默契。
今天被一个人打破了。他要么无知、要么混蛋。
所有人都要给他擦屁股。
今天采访发明贺所使用的技术的人。他因为时间限制没能提问。
问他想原本问什么，他说：想让贺给他解释其中的几个数据，这对评判实验数据是否准确至关重要。
科学家。
提出最多质疑的是实验的必要性。
在很多人看来，有更好更安全的技术预防HIV感染，问他为什么不用。
贺说他要造福更多的人。
提问者：我没有问那几百万人，我问的是对这两个孩子，她们本可以不承担这样的风险。
先求证，发现无法改变结果，就是遗憾和担忧。
他们几乎不愤怒。
科学家真的不愤怒。
科学家也不指责。
记者们都想问出一些愚蠢的话，想让科学家们质疑贺的人品，指责政府监管不力。
但是他们都就事论事，实验内容要看数据，规定政策已经很完善了，是执行上的问题。
贺说，孕育胚胎是那对父母作出的决定。
我想：哦，他甩锅了。
科学家：如果这些决定都是患者做，那科学家的责任是什么？科学家难道不应该承担起责任，帮助普通人理解这些实验背后的技术风险和伦理问题吗？你失职了！
我：……这是揽锅了吗？
这群人，比任何人都了解以后的风险，还在呼吁给两个女婴正常的生活。
“像对待所有人一样对待她们。”
我推荐所有人看讨论和Q&A环节。
你们能感觉到每一个提问者的高智商、逻辑缜密和慈悲心。
和与之不对等的避重就轻、语焉不详的回答。
高下立判。
我太累了，我写不完了。
我今天为人类哭一哭吧。
不是因为以后改造人会把我们全都超越，让我们没饭吃，
而是我们本来拥有文明，却不去竞逐文明。
@MollyEsWerdeLichtPolicy Shaping and Generalized Update Equations for Semantic Parsing from Denotations
https://aclanthology.coli.uni-saarland.de/papers/D18-1266/d18-1266
https://aclanthology.coli.uni-saarland.de/papers/D18-1266/d18-1266
Vintage NLP for Work
Policy Shaping and Generalized Update Equations for Semantic Parsing from Denotations https://aclanthology.coli.uni-saarland.de/papers/D18-1266/d18-1266
Dipendra Misra, Ming-Wei Chang, Xiaodong He, Wen-tau Yih
好久没发文章了，今天介绍一篇比较新的工作，针对一类Semantic Parsing from Denotation（SpFD）任务。
具体说来是输入连续多个相关问句，输出对应的答案逻辑表达式，执行这个表达式就可以得到问题的最终答案。
而训练数据只有问句和问句的最终答案（即denotation，在符号学和语义学中，一个符号往往指向(denote)真实世界中的一个具体事物，因此执行一个表达式的结果在这类任务中按惯例称作Denotation），即所谓 from denotation。
本文发表在EMNLP2018上，有趣的是几位作者以前都是微软的，现在都不是了。
这类问题的特点是，虽然中间表达式是我们的目标输出，然而却是标注数据里却没有，因此往往需要在整个空间中进行有效的搜索。
一种是用启发式的搜索方法，通过一些特征进行分支选择或者剪枝（例如微软的DeepCoder工作）。
另一种是用数据训练一个策略模型，模型来指导搜索，而最大边际似然（MML）、强化学习、最大间隔分类等等都是这类方法下行之有效的学习策略。
实际工作中这类任务会遇到两个难题，一个固然就是如何选择合适的学习策略，另一个就是我们会搜索出一些“伪程序”，即虽然逻辑表达式执行结果和标注数据相同，但是它的执行思路却和用户自然语言的问题完全不一致，因此在遇到新的问题时泛化能力堪忧。本文就着重解决这两个问题。
好久没发文章了，今天介绍一篇比较新的工作，针对一类Semantic Parsing from Denotation（SpFD）任务。
具体说来是输入连续多个相关问句，输出对应的答案逻辑表达式，执行这个表达式就可以得到问题的最终答案。
而训练数据只有问句和问句的最终答案（即denotation，在符号学和语义学中，一个符号往往指向(denote)真实世界中的一个具体事物，因此执行一个表达式的结果在这类任务中按惯例称作Denotation），即所谓 from denotation。
本文发表在EMNLP2018上，有趣的是几位作者以前都是微软的，现在都不是了。
这类问题的特点是，虽然中间表达式是我们的目标输出，然而却是标注数据里却没有，因此往往需要在整个空间中进行有效的搜索。
一种是用启发式的搜索方法，通过一些特征进行分支选择或者剪枝（例如微软的DeepCoder工作）。
另一种是用数据训练一个策略模型，模型来指导搜索，而最大边际似然（MML）、强化学习、最大间隔分类等等都是这类方法下行之有效的学习策略。
实际工作中这类任务会遇到两个难题，一个固然就是如何选择合适的学习策略，另一个就是我们会搜索出一些“伪程序”，即虽然逻辑表达式执行结果和标注数据相同，但是它的执行思路却和用户自然语言的问题完全不一致，因此在遇到新的问题时泛化能力堪忧。本文就着重解决这两个问题。
Vintage NLP for Work
Dipendra Misra, Ming-Wei Chang, Xiaodong He, Wen-tau Yih 好久没发文章了，今天介绍一篇比较新的工作，针对一类Semantic Parsing from Denotation（SpFD）任务。 具体说来是输入连续多个相关问句，输出对应的答案逻辑表达式，执行这个表达式就可以得到问题的最终答案。 而训练数据只有问句和问句的最终答案（即denotation，在符号学和语义学中，一个符号往往指向(denote)真实世界中的一个具体事物，因此执行一个表达式的结…
本文提出了一种通用的框架，将不同的学习方法统一起来，在统一的框架下再去审视不同的优缺点，从而提出了一种新的学习策略。
虽然这些已有方法的形式不同，但它们的梯度其实具有相同的形式如图中式(9)。其中包含对于正确的program如何奖励的w函数和如何惩罚错误程序的q函数。
而基于这些分析，本文新提出的MAVER方法也在表中。
虽然这些已有方法的形式不同，但它们的梯度其实具有相同的形式如图中式(9)。其中包含对于正确的program如何奖励的w函数和如何惩罚错误程序的q函数。
而基于这些分析，本文新提出的MAVER方法也在表中。
Vintage NLP for Work
本文提出了一种通用的框架，将不同的学习方法统一起来，在统一的框架下再去审视不同的优缺点，从而提出了一种新的学习策略。 虽然这些已有方法的形式不同，但它们的梯度其实具有相同的形式如图中式(9)。其中包含对于正确的program如何奖励的w函数和如何惩罚错误程序的q函数。 而基于这些分析，本文新提出的MAVER方法也在表中。
另外本文提出一些指导性的人工策略：搜索过程中的符号尽量要在问句中出现，如正确的程序中往往也含有问题里的Point符号；另外，一些词共现特征也有用处，例如问句里的most常常会和生成的程序中的 Max 关键字同时出现。基于这些方法，可以让模型更容易地搜索出图里的第四个正确程序，而其他都是伪程序。
Vintage NLP for Work
另外本文提出一些指导性的人工策略：搜索过程中的符号尽量要在问句中出现，如正确的程序中往往也含有问题里的Point符号；另外，一些词共现特征也有用处，例如问句里的most常常会和生成的程序中的 Max 关键字同时出现。基于这些方法，可以让模型更容易地搜索出图里的第四个正确程序，而其他都是伪程序。
实验效果相当可观，本文没有改动数据集基准上的模型，仅仅是优化了学习方法和探索策略。但得到的提升相当巨大，成果非常不错。
其他类似的策略空间搜索问题也可以做类似的尝试。
其他类似的策略空间搜索问题也可以做类似的尝试。