- NIPS利用丰富语义表示的面向对象的视觉导航目标
利用丰富的语义表示和基于目标的对象训练机器人进行视觉导航，证明该方法可以在短时间内使机器人对新的目标和未见过的场景进行泛化。
- ACL概率有向无环图自动机用于语义图的问题
研究了 DAG 自动机作为概率模型的可行性，结果表明，通过赋予转换权重，一些单根，多根和无界的 DAG 自动机不能作为有用的概率模型，并且这种问题似乎是普遍存在的，但平面变体不受此影响，但这些变体有其他问题。
- 方程式嵌入
本文介绍了一种无监督学习的方法来发现数学方程的语义表示，称之为方程嵌入。该方法使用周围单词的表示来发现方程的好的表示方法，并用于分析四个计算机科学领域的科学文章中的 98.5k 个方程。结果表明，方程嵌入提供了更好的模型，并能够捕捉方程与单 - AAAI通过基于脑的组分语义研究多模态表示和语义组合的内部属性
本文提出了一种基于脑部语义理论的简单解释方法，通过将分布向量空间映射到可解释的基于脑部成分空间，探索了语义组合的内在属性，为自然语言理解等基本问题提供了启示。
- KDD零样本人体动作识别的替代语义表示
探索了零样本人类动作识别的两种替代语义表示 —— 人类动作的文本描述和从与人类动作相关的静止图像中提取的深度特征，结果表明我们提出的基于文本和图像的语义表示显著优于传统属性和向量模型，特别是图像语义表示，即使每个类别只是从少量图像中提取的。
- SIGIR语义实体检索工具
本文介绍了一种语义实体检索工具箱（SERT），可提供不同的表征学习算法、细粒度解析配置和与 GPU 透明化的统一接口，并可用于排列实体、提取学习的实体 / 单词表征来进行下游算法，如聚类或推荐。
- IJCAI树结构上的动态组合神经网络
本文提出了基于动态组合神经网络的树状神经网络 (DC-TreeNN)，通过引入元网络动态生成组合函数，解决现有模型在组合过程中缺乏表达能力和容易欠拟合的问题，并在两个典型任务中取得了有效的实验结果。
- 利用时间和用户上下文改进推文表达
本文提出了一种新颖的表征学习模型，通过系统性地利用用户 Twitter 时间轴上的文本 “上下文”，并考虑用户背景知识如写作风格和写作主题总结，从而准确地计算推文的语义表示，并通过实验证明，在预测用户配偶、教育和工作等人物属性时，该模型优于 - EMNLP用于学习自然语言推理的大规模注释语料库
通过引入 Stanford 自然语言推理语料库，我们成功解决了机器学习研究在自然语言推理方面的巨大缺乏，该语料库是由人类按照基于图像字幕的新颖本体任务撰写的标记句子对，包含 570k 个句子对，是同类资源的两个量级以上，在规模方面取得了重大 - 使用全局句子表示进行本地翻译预测
该论文探索了使用源语言全局句子级特征来预测目标语言本地翻译，并提出了一种新的双语限制基于块的卷积神经网络来学习语义表示，并使用局部和全局信息的前馈神经网络来更好地预测翻译质量。实验表明，该方法可以在翻译质量方面得到实质性的提高。
- NIPS深度学习组合模型中先前消歧的作用研究
探索先前歧义消解对基于神经网络的组合模型的影响，希望产生更好的文本复合语义表示，实验证明这对于深度模型有积极的影响。
- ACL组合式分布式语义的多语言模型
通过基于多语种数据和联合嵌入的分布式假设扩展学习语义表示的新技术，学习出在跨语言上语义等价的句子之间高度对齐而在不相似的句子之间保持足够距离的表示。此方法不仅适用于单词层面，还可以对文档进行语义层面的表示学习。在两个跨语言文档分类任务上，我