只看了标题的paper

• Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional  Networks

标题：打破天花板：更强大的多尺度深图卷积网络

作者： Sitao Luan,  Doina Precup 

备注：Submitted to NeurIPS 2019 for review

链接：https://arxiv.org/abs/1906.02174

2种体系结构。一种谱卷积，一种deep GCN。通过krylov方法用更小代价求解拉普拉斯矩阵的逆矩阵，虽然精度有所下降。

 

• Process Extraction from Texts via Multi-Task Architecture

标题：通过多任务架构从文本中提取过程

作者： Chen Qian,  Jianmin Wang 

链接：https://arxiv.org/abs/1906.02127

分类，语义识别，语义角色标注。多任务学习。以及如何从文本种提取过程（环形）（没看懂）

• Word-based Domain Adaptation for Neural Machine Translation

标题：基于词的域自适应神经机器翻译

作者： Shen Yan, Shahram Khadivi

备注：Published on the proceedings of the International Workshop on Spoken Language Translation (IWSLT), 2018

链接：https://arxiv.org/abs/1906.03129

• Multi-hop Reading Comprehension through Question Decomposition and Rescoring

标题：通过问题分解和重新分析的多跳阅读理解

作者： Sewon Min, Hannaneh Hajishirzi

备注：Published as a conference paper at ACL 2019 (long). Code available at this https URL

链接：https://arxiv.org/abs/1906.02916

• Towards Scalable and Reliable Capsule Networks for Challenging NLP Applications

标题：迈向可扩展且可靠的胶囊网络，以应对具有挑战性的NLP应用

作者： Wei Zhao, Min Yang

备注：11 pages, ACL19 Camera Ready

链接：https://arxiv.org/abs/1906.02829

• Real or Fake? Learning to Discriminate Machine from Human Generated Text

标题：真或假？学习从人类生成的文本中识别机器

作者： Anton Bakhtin, Arthur Szlam

链接：https://arxiv.org/abs/1906.03351

• Using Structured Representation and Data: A Hybrid Model for Negation and Sentiment in Customer Service Conversations

标题：结构化表征与数据：客户服务对话中否定与情感的混合模型

作者： Amita Misra, Saurabh Tripathy

链接：https://arxiv.org/abs/1906.04706

• Probabilistic Logic Neural Networks for Reasoning

标题：推理的概率逻辑神经网络

作者： Meng Qu, Jian Tang

链接：https://arxiv.org/pdf/1906.08495.pdf

知识图推理旨在通过对观察到的事实进行预测来预测缺失的事实，这对许多应用来说至关重要。传统的基于逻辑规则的方法和最近的知识图嵌入方法已经广泛地探索了这样的问题。基于逻辑规则的原则方法是Markov逻辑网络（MLN），它能够利用领域知识和一阶逻辑，同时处理其不确定性。然而，由于复杂的图形结构，MLN的推断通常非常困难。与MLN不同，知识图嵌入方法（例如TransE，DistMult）学习有效的实体和关系嵌入用于推理，这些方法更有效和高效。然而，他们无法利用领域知识。在本文中，我们提出了概率逻辑神经网络（pLogicNet），它结合了两种方法的优点。 pLogicNet通过使用具有一阶逻辑的马尔可夫逻辑网络来定义所有可能的三元组的联合分布，其可以使用变分EM算法进行有效优化。在E步骤中，知识图嵌入模型用于推断丢失的小波，而在M步骤中，逻辑规则的权重基于观察到的和预测的三元组来更新。多个知识图上的实验提高了pLogicNet在许多竞争基线上的有效性。

• An Open-World Extension to Knowledge Graph Completion Models

标题：知识图完成模型的开放世界扩展

作者：Haseeb Shah,Johannes Villmow,Adrian UlgesUlrich SchwaneckeFaisal Shafait

链接：https://arxiv.org/pdf/1906.08382.pdf

我们提出了一种新的基于嵌入的知识图完成模型的扩展，使他们能够进行开放世界链接预测，即根据文本描述预测培训中看不到的实体事实。我们的模型结合了常规 从知识图中学习链接预测模型，从文本语料库中学习单词嵌入。 在独立训练之后，我们学习转换以将实体名称和描述的嵌入映射到基于图形的嵌入空间。在包括FB20k，DBPe-dia50k和我们的新数据集FB15k-237-OWE的几个数据集的实验中，我们进行了演示。 竞争结果。 特别是，我们的方法利用完整的知识图结构，即使文本描述很少，也不需要对图形和文本进行联合培训，并且可以应用于任何基于嵌入的链接预测模型，例如TransE，ComplEx和DistMult

6.27

• From Multi-mo