回到学校

下午三点整，我们回到了哈尔滨。为期一周的北京之行画上了圆满的句号。明天还要补上体检并且补上没有上的课程。今天好好休息，利用明天的时间好好总结，拟定计划，开始新的征程！

首期全国计算语言学讲习班(2)

上午还是李航博士的讲座，今天的主要内容最小长描述原理、最大熵方法和超平面分类器。讲课方式和昨天的一样。讲完所有内容后李航博士将他和他的同事的一些学习统计机器学习的经验向我们进行了介绍。大致思想是机器学习的三要素模型、策略和算法的各种组合变化无穷，针对某一种具体问题需要具体的分析。如果问哪种方法适用于那种应用，答案是没有固定结论。针对具体应用需要多多对比。机器学习博大精深，方法模型更是不胜枚举，没有必要将每种方法都学习一遍。与其泛泛的学习很多方法，不如将少数的几种扎深扎透。其实机器学习方法之间是相同的，学透了少数的几种就可以触类旁通。李航博士介绍的那些参考书籍和文章都很有价值，应该抽出时间来好好研读。

下午的讲座是北京语言大学的荀恩东博士的《Perl语言与自然语言处理》。荀恩东老师是咱们哈工大毕业的博士，还是校友亚！ Perl 语言以前就听说过非常适合于文本处理，曾经也自学过一阵子，但是一直没有真正用上。今天荀老师介绍后方知其强大功能和作用。讲座内容中主要介绍了Perl语言的一些基本的数据结构和基本的流程控制等语句。Perl中功能最为强大的是其模式匹配功能，也就是正则表达式的应用。荀恩东老师在介绍完Perl的基本特点后介绍了Perl 在自然语言处理中的英勇，主要有以下几个实例：查词典、词频统计、汉语分词、词性标注、简繁转换、网络机器人、连接数据库、调用Google API等。看着那些短短的数行代码就可以完成C++里面需要数倍行数代码才能实现的操作，心里不禁很激动，回学校后一定要好好学习并使用Perl。其中有一个演示非常有提示作用，在利用Perl来完成简繁转换的时候，采用的方法是在Word里面利用记录的宏操作的代码来嫁接到Perl中进行操作。Office中集成了大量的多种功能的Com组件，我们可以利用录制宏这一功能在嫁接出许多特殊的功能应用。

听完荀恩东老师的讲座后，我们为期两天的计算语言学讲习班也就结束了。晚上11：00我们乘上K39列车回哈。

首期全国计算语言学讲习班

上午八点半，首期全国计算语言学讲习班正是开幕。上午的主讲人是微软亚洲研究院的李航博士，主讲内容是《统计机器学习指南》。李航博士在这个领域很有造诣，他的演讲覆盖了整个机器学习领域的主要内容，首先介绍了统计机器学习的概况，然后逐一介绍EM算法、最小描述长度准则、最大熵、超平面分类器等方面。统计机器学习的三要素是模型、策略和算法。每个层次都有很多变化，即使面对同一个模型、策略，可以采用的算法也会有很多种，当把模型确定以后剩下的其实本质上是一个优化的问题。讲座中每种方法李航博士都会首先介绍一下该方法的历史，然后采用数学公式来描述问题，并在介绍的末尾部分给出进一步学习的内容和参考文献。

下午的讲座是厦门大学的史晓东博士主讲的《机器翻译系统的快速构建》。讲座中，史晓东教授讲述了机器翻译系统的快速构建的方法和基本使用的资源和工具。其中提到了许多著名的机器翻译系统。采用的模型有Bayes模型、EM算法等等。提到一个重要的思路就是在机器翻译过程中翻译生成的句子中有些词语与源语句中的任何词语都不匹配，这个时候描述方法是假设源语句开头有一个NULL，出现这种对应不上的情况时就认为是从NULL得到的。这样就可以描述这种情况并给出相应的概率模型。词对齐在机器翻译中用处非常大。

两位学者都是中文信息处理届的著名专家，从他们的讲座中，深深地感受到统计和机器学习在NLP领域中的重要性。

会议第三天

上午的特邀报告是北京语言大学的荀恩东博士介绍他们在中文信息处理中的一些研究成果。接下来的两个分会场都是在介绍算法、少数民族语言处理和知识库、概念体系相关技术。由于是最后一天很多论文都没有报告人。车万翔师兄主持了第二个会场。其中比较有意思的是一个《基于hownet概念获取的中文自动文摘系统》。作者采用的方法和常规的机械文摘思路差不多，创新的地方在于采用Hownet来计算词语的重要性并由此来计算句子的权值。采用的评价方法是将50篇人工标注的文摘与机械文摘进行对比句子的精确率和召回率。经过详细询问得知人工文摘不加任何限制，文摘的获取没有任何限制，标注人员愿意怎么标就怎么标。最后获得的结论也是一般性的随着文摘长度百分比的增加精确率逐渐下降、召回率逐渐增加。

廖先桃的报告《HMM与自动规则提取相结合的中文命名实体识别》使整个会议的倒数第二个报告，她在演讲时各个方面都准备得很好。有不少与会人员提出问题和她交流。

会议的最后一项是上午11：00左右在教二楼301举行的闭幕式。闭幕式由北京语言大学的杨尔弘老师主持。会上教育部语言信息管理司司长李宇明教授给大家描述了中文信息处理的远景，其中提到的一件事情很让我们震惊。那就是今年在上海召开的全球华人物理学家大会上规定不准用中文而只能用英文，诺贝尔奖得主丁肇中博士坚持用中文作了报告。现今国际社会中文还不是我们想象中的那么热。中文的前途需要我们大家一起努力。李明宇教授在《光明日报》上发表的一篇文章《强国的语言与语言强国》中表达了他的一些看法。闭幕式上中国中文信息学会秘书长曹右琦老师给我们总结了一些会议的特点。学生会议的一个最大的特点就是与会者的新面孔很多，老面孔很少。曹老师提到了老面孔中比如有车万翔。（当时师兄好像也有点受宠若惊）最后曹老师还给大家发放了中文信息学会的入会申请书，鼓励大家加盟。

随着闭幕式的结束，我们为期三天的第二届全国学生计算语言学研讨会就落下帷幕。明天开始就是为期两天的“首期全国计算语言学讲习班”。

会议第二天

上午有两个特邀报告：IBM研究中心的攀越博士的《业务语义和信息集成》和富士通公司的孟遥博士的《内容理解与信息服务》。接下来的报告中很多是文本主题跟踪的。本质上文本主题发现和跟踪就是文本聚类，采用各种加权方法来对文档中的特征进行加权和聚类。有一个关于语言生成的报告非常有意思，报告题目是《基于短语本位语法体系的混合模板汉语生成》。其中提到的一些语言生成的背景知识有趣。现在的自然语言生成的主要策略有四种：封装文本（也就是设置好一些句子的触发条件，一旦条件满足就生成句子。这种方法生成的句子流畅度高，但是通用性差，而且很难移植。），基于模板的方法，基于短语的方法和基于特征的方法。本文的作者采用的是一种混合模板的方法，首先依据一些触发条件按照模板生成短语，然后将生成的短语依据一些触发条件按照句子模板生成句子。本文的工作只是一种试探，模板制作困难，而且可移植性非常差，采用的人工评价方法是人认为满意就可以。但是本文的工作可以说是确定了一种语言生成的体系结构，如果能在模板生成时采用统计学习的方法在大量文本中学习获得从而解决移植性和通用性的问题，那么前途还是不可限量的。

相对而言，下午的内容让我收获颇多。首先是微软研究院的研究院高剑峰博士介绍了一下他们在刚结束的ACL上发表的一篇关于自适应分词系统的构建策略。主要背景是现在什么是词语在自然语言处理界还没有达成统一认识，不同的语料库的有不同的处理方法。通常在某个语料库上训练好的分词系统换一个评测语料就会效果很差。采用的方法是将基本的贝叶斯模型按照线性加权的思想来修改，通过训练出更加精细的适应语料的模型来完成分词任务。这种方法实验结果显示可以大大改良统一系统在不同训练语料上的评测结果。另一位负责信息抽取的博士展示了微软研究院的信息抽取方面的工作。现阶段微软研究院的信息抽取工具建立在SQL Server2003的基础上，将来会提供一些API接口来供用户进行信息抽取基础上的研发。主要抽取思路是在Chunk的基础上抽取一些关系，采用可视图的方式来进行展示。还有一位今天上午刚刚达完辨的博士给我们展示了他在中文Chunk识别方面的工作。具体的思路也是在用线性加权的方法来构建精细的Chunk识别模型。微软研究院讲座的最后是中文信息处理领域的老前辈黄昌宁博士的一点评论。黄昌宁老师简单说了一下中文信息处理领域的前景和介绍了一些高剑峰博士在微软亚洲研究院工作期间取得的成绩。原来高剑峰博士短短4年左右时间里已经在ACL上发表了7篇文章。真是牛人呀。这也更加说明了这个领域是一个年轻人的时代，只要多多努力，多多思考就会有成绩。

最为精彩的就是讲座后在北京语言大学会展大厅的几家单位的演示。演示单位有北京语言大学的分词标注系统、语料库检索系统、汉字教学系统，车万翔师兄演示我们实验室的集成好的Demo，清华大学周强博士演示的句法树库和句法分析，微软亚洲研究院高剑峰博士演示的分词系统，TRS公司的企业信息采集系统、图像检索系统，中科院的信息抽取系统等等。各家单位的演示都很精彩。就在演示场地的旁边一堆学生将黄昌宁老师围坐在中间。黄老师非常高兴的细致耐心的向大家解答各种问题。我想黄老师请教了指代的难度和指代消解的研究方法。黄老师同意我的研究方法。后来我又询问了知识库在中文信息处理中的用处。黄老师很认真地说我的这个问题在十年前是自然语言学界广泛探讨的问题，人们梦想通过构建知识库来解决大量的自然语言处理中存在的问题，进而推动人工智能的发展；日本当年投资了好几亿美元来构建了许多知识库，但是到目前为止真正用上的很少很少。还有人问到一些关于如何进行自然语言处理研究的问题。有一位四川师范大学的同学问黄老师如何在他们师范院校的环境下进行研究。黄老师给了一个很好的提示，那就是通过对大规模语料库的分析和理解来研究一些语言现象，可以读一下最新出版的《语料库语言学》。

会议第一天

早上8：30，在北京语言大学的逸夫楼一楼报告厅举行第二届全国学生计算语言学研讨会的开幕式。开幕式由北京语言大学的罗智勇主持，北京语言大学的副校长崔希亮致了开幕词。北京语言大学有个很独特的地方，那就是外国学生和中国学生的数量是1：1。整个学校以对外汉语教学为主，不是简单的像教中国小学生那样来教外国人学习汉语，而是借助外国学生的母语来学习。北京语言大学在促进中外交流方面做出了突出贡献。TRS公司董事长施水才代表中文信息处理学会和TRS公司做了一个简短的报告。主要内容是中文信息学会是一个很好的学会，公司和研究机构协作可以快速将实验室的研究成果转换为产品服务于社会并产生效益，现在国内外的各种NLP相关评测对中文信息处理的促进很大，中文信息处理很有前途。东芝公司、富士通公司也都有代表发言。

开幕式上的特邀嘉宾是北京大学俞士汶教授，主讲内容是大规模知识库的构建。北京大学计算语言所在这方面已经积累了很多的成果。报告开始提到报告中提到了现代汉语的诸多特点：
1）书面汉语的语言单位不清晰；
2）词缺乏形态；
3）虚词的词性以及用法灵活多变；
4）句法结构嵌套无标记；
5）时态、语态、语气多变。

现在NLP的研究领域中出现了一些新课题，比如：歧义、指代、省略、篇章级隐喻等。指代作为一个较新的领域，也存在很大的难度。

接下来就是正式的会议，上午报告在北京语言大学教学二楼的301和401同时举行，301主题是分词，401主题是机器翻译。根据我自己的兴趣我挑选了一些报告来听。机器翻译的第一个报告题目是Fuzzy Matching in Machine Translation Evaluation，其中对于自动文摘评价有价值的思想是将机器翻译生成的结果与标准翻译结果进行对比，对比的方法是看出现的n-gram的重叠率。这个思想对于自动文摘评价的启发就是对于那种非机械文摘可以比较重叠的n-gram（n可以取多种情况），对于机械文摘可以借助这种方法来对比流畅度。上午的报告有一些没有报告人，所以两个会场结束得都比较早。

下午的两个会场的主题分别是语言学研究、基于语料库的语言分析技术和机器翻译。我主要听的是前一个主题。此次会议中词义消歧的报告有三个。他们采用的都是无指导的方法。这也充分体现了词义消歧的研究趋势。本次会议的论文中仅有三篇是与指代消解相关的“基于语料分析的‘这/那＋NP’的指代消解算法”、“采用优先选择策略的中文人称代词的指代消解”和我的“基于决策树的中文名词短语指代消解”。第一篇文章没有相关报告，第二篇文章的作者是山西大学计算机系的罗云飞。他采用的方法和我的方法本质上是一样的，但是他完成的是单一的代词的指代消解，而且实验比我多了一些单个特征对最终结果的影响效果分析，主体方法上加入了一个指代相似度的概念。但是他的名词短语是人工标出的。我提问的训练语料标注过程、样本数量分布也没有得到答案。对比他的文章和我的文章，我开始领悟到一点如何写好文章的门道（就是要分析多一些，突出创新点，共知的东西简单描述，实验也要充分一些。以后的实验可以将问题集中到指代消解上，其他底层的工作如果现在没有好的解决方案就手工标注。）

未名湖

早上来到北京语言大学逸夫楼注册完后，我们来到北京大学找到王震。王震领我们在北大方正的办公楼顶的食堂吃了一顿工作餐。接下来的时间王震工作，车师兄有事，剩下我们三人开始参观北大。我们主要在北大未名湖转了一圈。今日天气不太好，整个天空有点灰蒙蒙，但是未名湖的美是好没有受到影响。意料之外的是斯诺的墓居然在未名湖畔，墓碑上放着许多白色郁金香，不禁让人肃然起敬。湖畔有两座小山，绿树成荫，看书学生也很多。这里确实是读书学习的好地方。整个学校很像一个景色宜人的公园。北大、清华相隔不远。剩下的时间里我们到清华大学的一侧转了一下，还参观了清华园的牌坊。时间不多，王震下班后与我们会合。又经过地铁、出租车的辗转我们来到张刚师兄的家。张刚师兄家很大很漂亮。张刚师兄是我们实验室最早毕业的同学，现在中科院读博，各方面能力都很强，为人也很谦虚。在那里还见到郑实福师兄。

晚饭后我们回到了北京语言大学的宿舍。和我同一宿舍的是华中师范大学的两位入学不久博士生，他们专程到这里来参加这个会议了解领域动向、寻求研究方向。