在2014年11月份的时候老师带队，参加了SemEval 2015task15的评测，现在论文刚过，这件事也算是告一段落了，大赛期间那段过程还是比较难受的，时正大三上学期，专业课一大堆，每天的休息时间少的可怜。后期发表论文的过程也是非常漫长的，论文更改的次数接近30次。现在才知道要在会议上发表一篇文章是多么不易了，整个过程持续时间长达5个月。不过这个过程下来，自己的收获绝对非常大，所以今天总结一下。本来这篇文章使用来写一些心得体会的，但是后面想了想，以后求职时在介绍这个经历，要是面试官要求介绍任务，我的处理方法时，直接说我觉的不太容易能说清楚，举例子会清楚得多，另外对我的方法介绍有图才会更清楚一些。于是把这篇文章定位了一下，总结+简要介绍任务和我的处理方法。这样我就可以打开博客跟面试官介绍，我能讲的更清楚，也能让对方了解的更明白，双方都好~
一.接触前沿研究领域的NLP任务
老师说过，进入自然语言领域的一个最快的方法就是参加一个相关的比赛，具体扎入其中，完事后就大概知道自然语言处理做什么了。参加这个任务时我NLP方面的知识几乎为0，当时会比较熟练的使用perl脚本，拿到比赛任务时头晕眼花，根本不知任务所云，感兴趣的可以看看这个任务, 名字叫CPA，花了几天的时间才把任务到底要做什么搞明白。这次比赛也有运气方面的原因，就是这项任务非常新，是最新研究领域的一个块技术，所以参数队总共就5支，所以我们这批可以是为这个技术的发展做垫底的，我比较确信这个任务下次会变的更难一些出现在2016的任务上。一般的测评任务参数队伍非常多，比较成熟的像STS系列，各个国家的参数队伍多达70多支。竞争相当激烈，不过成熟的任务有一个最大的好处就是有前任的基础成果，前任做的好的会在会议上发表论文，贡献出他们的方法来，后面的可以再次基础上改进。对于像CPA这样的第一批参加者，好处是竞争者少，就5支队伍，坏处就是摸着石头过河，几乎没有任何方法的参照，完全的自己想。
二.任务举例描述与我的简单处理方法
先简要的描述一下CPA, 语料模式分析 (CPA) 是语言分析的新技术，该技术主要用于确定文本中词语使用的主要模式。本次任务是确定动词的主要模式。整个任务分为三个子任务，但是结果上我们第一个任务比较出色，所以就只介绍第一个任务，第一个任务可以说是序列的标注问题，分为两层，一层是语法标注，另一层是在语法标注的基础上进行语义标注。语法标注的标签集是
用一个最简单的例子来表明第一个任务，假设当前句子的输入是：
Mr Eigen plans to wage his war diplomatically.
指定以plan为核心动词，经过任务一后变成下面这样，标注出来的结果就是plan的上下文环境。
对于简单句的标注，明白的人都知道一般的依存关系就能解决了，但是如果是下面这样的句子呢：
Lord Sankey 's attitude indicates that a court of law in the United Kingdom would need weighty evidence before becoming willing toabandon the principle of legality according to the pre-existing constitutional norms, and so it should, so long as uncertainty as to the `realities' prevails.
现在要求找出abandon的主语，我相信人直接读过去，可能一时半会都很难找出abandon的主语吧，怎样让计算机在瞬间根据某个算法找出abandon的正确主语呢，又万一abandon根本就没有主语呢。当时我被这个问题困扰了好久，大概花了一周的时间来想算法，期间每天一大早的起床对着数千行的文本进行归类，分析。经过一周后，在某天终于分析点出眉目来，想出了一个感觉可行的算法，马上兴奋的写了实现，结果效果果然不错！后来我把这个算法叫做基于依存连的标注算法，对主语宾语的标注比较有效。下面的图解是我的一个方法：
沿着abandon的依存链开始走，满足某些规则的情况下，会找到court，即是abandon的主语，如果没有满足规则的，则认为abandon无主语。
另外遇到的一个瓶颈问题是语义的一个问题，大致介绍下，经常会遇到两个几乎一样结构的句子，简单来说，比如account for, for 与account含有某种标签关系，其他句子中出现的verb for，就不一定了，得看具体的语义环境，人是很容就能读出来verb与for之间是否存在标签关系的，因为我们明白其中的含义就知道了，怎样让计算机也明白了。后来我想了一个也算有效的方法，就是提前把预览语料，分析出核心动词的结构，并且统计，如果某类结构经常出现的话，我认为那类结构是那个动词比较常用的方式，也自然在那类结构里面与该动词含有标签的概率就大得多。
最后我实现了一个小型的标注系统，框架如下：
三.论文修改期间
这次论文写作是用英语，我复制中文写出来，然后小组另一成员进行翻译，就这样反反复复，初稿终于出来了，但随后变被国外的参数对'黑'的不行，一看就知道不是纯正英语，然后反复的改。此外在论文期间，我们审核国外参数对的论文时，发现他们用的方法是机器学习的方法，但效果没我们好。其实最开始我们也想走机器学习的方法的，拿来一个工具包，选取一些特征，跑一跑，这个方法没走下去是我觉的真正的问题的原因没找到，选取的特征怎么知道哪些对问题是有效的，哪些是无效的，不能光靠运气取平均纳，我看到国外的队伍光是特征就用了50多种，估计训练起来也是特别费时吧，所以我们没走这条路，但是后期我觉的可以改进的话还是用机器学习比较好，实际上这本来就是一个分类问题，找到问题的一些关键点后，就可以试一试现有的模型了。在此次期间，最大的一个收获就是认识了审稿人Dan, 我能感觉到他很厉害，貌似也是谷歌的研究员，追求完美，我跟他邮件沟通来回达30多次，这就意味着论文的修改次数达到了30次，Dan人非常好，从邮件中能感觉到他对工作的认真负责，一丝不苟。后来我没事儿有疑惑也找他问问题，也是非常热心的解答，在此期间，论文的写作上他算是我的老师了，很多NLP英语用词上面也学会很多，总之如果有机会真想见见他。十分感谢Dan的热心帮助，大力感谢老师提供的这次机会，这几个月来成长了很多。