今天，2017年度计算语言学协会年会（ACL）评出了5篇最佳…论文，量子位整理介绍如下：
最佳演示论文：
Marjan Ghazvininejad, Xing Shi, Jay Priyadarshi, Kevin Knight,
Hafez: an interactive poetry generation system
论文：
http://xingshi.me/data/pdf/ACL2017demo.pdf
代码：
https://github.com/shixing/poem
这篇论文描述了一个由循环神经网络（RNN）和有限状态接收器（Finite State Acceptor, FSA）构成的自动诗歌生成系统“Hafez”，可以根据任意主题生成十四行诗。用户还能通过调整风格配置，来修改、润色这些诗歌。
论文的四位作者是南加州大学武凯文（Kevin Knight）教授和他的学生Marjan Ghazvininejad、史兴、Jay Priyadarshi。
他们去年就在EMNLP上发表了一篇生成诗歌的论文：Generating Topical Poetry; Marjan Ghazvininejad，还把诗歌生成软件做成了一个Alexa Skill（https://www.amazon.com/USC-Custom-Poetry/dp/B06X9HNFGC）以及一个网页Demo（http://52.24.230.241/poem/）
最佳演示论文第二名：
Guillaume Klein、Yoon Kim、Yuntian Deng、Jean Senellart、Alexander Rush
OpenNMT: Open-Source Toolkit for Neural Machine Translation
论文：
https://arxiv.org/abs/1701.02810
项目主页：
http://opennmt.net/
代码：
https://github.com/OpenNMT/OpenNMT
这篇论文由哈佛大学和机器翻译公司SYSTRAN联合发表，他们的OpenNMT是一个开源的神经机器翻译系统。
最佳资源论文：
Alane Suhr, Mike Lewis, James Yeh, Yoav Artzi,
A Corpus of Natural Language for Visual Reasoning
论文：
http://yoavartzi.com/pub/slya-acl.2017.pdf
项目主页：
http://lic.nlp.cornell.edu/nlvr/
数据集：
https://github.com/clic-lab/nlvr
这篇论文由康奈尔大学和Facebook AI研究院共同发表，给出了一个新的视觉推理语言数据集，其中包括92244对自然语言陈述和生成图片，以及3962个句子。
ACL 2017的程序委员会这样评价这篇论文：
我很欣赏这篇论文中的sanity check，它确保了在不理解这些数据集的情况下，无法解决相关问题。
最佳短论文：
Bogdan Ludusan, Reiko Mazuka, Mathieu Bernard, Alejandrina Cristia, Emmanuel Dupoux,
The Role of Prosody and Speech Register in Word Segmentation
论文：
http://aclweb.org/anthology/P17-2028
这篇论文由法国巴黎高等师范学院、法国高等社会科学院和日本理化学研究所共同完成，探索了语体和韵律在段词中的作用，结果显示，语体的作用比此前热门所认为的要小，而韵律边界信息在成人语言中比在婴儿语言中发挥着更大的作用。
众所周知，把研究结果写成短论文很难。在委员们推荐的论文中，只有这一篇符合程序委员会的“最佳短论文”标准：
（a）是作为短论文而写的，不是省略了细节的长论文;
（b）包含论文中应该包含的所有元素；
（c）作为一篇短论文，它是“最好的”。
最佳长论文：
Ryan Cotterell, Jason Eisner,
Probabilistic Typology: Deep Generative Models of Vowel Inventories
论文地址：
https://arxiv.org/abs/1705.01684
这篇论文来自康奈尔大学，将统计学方法引入类型学研究，用来解答这个经典的问题：一个自然的元音清单的如何形成的？
语言类型学研究人类语言中的各种不同结构，探索哪些结构、现象是各种语言的共性，哪些是很少出现的。元音清单就是其中的问题之一：所有语言都有元音，但并不是所有语言都包含u这个音。
程序委员会将这篇论文选为“最佳长论文”，是因为它将“古典”生成模型和神经网络结合起来，探索负责的语言学问题。
论文的第一评审这样评价它：
我对这篇文章印象深。它以微妙而恰当的方式使用了现代的深度学习工具。这篇论文为了达到前人方法未能完成的明确目标，而进行了计算。
现在，我们可以评估一个完整的元音清单出现的概率，而不再局限于根据一个元音来猜测另一个元音出现的可能性。
—— 完 ——
