AIS （ACL、IJCAI、SIGIR） 2018

Session9: Summarization and Generation

“摘要和生成算法” 专场全程视频分享

以下分享内容根据讲者口头分享整理，具体内容详见论文。

1叶亚杰 北京大学

Language Generation via DAG Transduction

第一部分首先介绍我们的任务。我们的任务就是把语义图还原成原始的句子。论文中使用的语义图叫做 Elementary Dependency Structure。它是一种 type-logical semantics的语义图，它的特点是非常平坦的并且是多根的，和具有层次结构的语法树也有很大区别。用传统的基于 DAG 自动机的方法去处理EDS 这样语义图会遇到一些困难。为了解决这些问题，我们在传统的基于有向无环图 (DAG) 的自动机方法基础上提出了一种新的 DAG Transducer。

EDS 这样的语义图一般都是边上有标记，但是实际使用过程中，需要边上没有标记，我们简单的把一个边上的 label 变成一个特殊节点，这样做在解决问题的同时也不损失原来的信息。我们使用的 DAG Transducer 基于DAG 的自动机。DAG 自动机中的一条规则: 当一个结点入边集合有 M 个状态时, 就可以在出边集合上放 N 个状态，这就完成了一个从入边到出边转换的过程。整个 DAG 自动机的目的就是：对一个没有边标记的 DAG 图的边上加上状态标记，然后根据规则集合给整个图打一个分，我们的目标就是要选一个得分最高的标记方法。

第二部分介绍我们设计的 DAG Transducer 的基本思想。传统的 Transducer 基本上是基于改写的，即把一个节点改写成一个子图或者一个子树，在不断改写过程中，把整个结构变成了另外一个结构。但是我们使用一种比较新的方法，即我们并不基于改写，而是基于副作用。在识别语义图的每一个节点的同时写下跟这个节点有关的信息。这些信息就是识别过程产生的副作用，它们可以是任意表达式或者约束。在论文中，我们将语义图转变为一组等式，这些等式描述了句子是怎样由每个词拼接成的。我们去解这些等式，就可以把一个语义图变成了它所代表的句子。解这些式子的过程，其实可以写成一棵树。

我们的 NLG 系统基本框架分为两部分：第一部分就是用我们的 DAG Transducer　把一个语义图变成词原形的序列；第二部分是用 sequence-to-sequence 的方法给每一个词原形加上词形变化。

第三部分介绍怎么提取 DAG Transducer 使用规则。规则都是从训练数据集中提取出来的。为了取得更好效果，我们使用了 fine-to-coarse 策略，即整个系统会有三种级别的规则：第一种是 induced-rules，即归纳推导出来的规则。这个规则是最直接的，最合理的规则。我们使用这种规则来提高系统的准确性；第二种是 extended-rules，它通过稍微修改induced-rules 得到；最后一种是 dynamic-rules 在完成语义图到句子的转变过程中，当规则不够的时候，我们会动态生成这种规则。我们使用这种规则来提高系统的鲁棒性。

提取 induced-rules 的具体方法是：首先从一个语意图的 TOP 节点出发, 用一些启发式的规则做一次特殊的深度优先搜索。接着我们就沿着搜索树自底向上合并节点的区间, 合并完成后，图中一些边会关联一个区间列表。然后我们会把这个语义图边上的区间列表和训练数据集中给的语法树做一个对齐, 最后我们使用对齐后得到的语法树节点的 label 作为每个边上的状态的 label。根据边上区间的关系，不难写出规则。

第四部分介绍实验结果。与这个任务在 AMR 数据集上结果以及我们设计的 baseline 对比，我们的 Transducer 在 EDS 数据集上取得更好的效果。

2 邱锡鹏 复旦大学

Toward Diverse Text Generation with Inverse Reinforcement Learning

(备注：本次AIS论文预讲会由施展代替邱锡鹏作口头报告）

文本生成是一个非常重要的任务，它是广泛用在机器翻译、看图说话、文本摘要和对话系统方面。

我们的目标是生成更加真实的句子。深度生成模型几个通用的做法：第一种是直接用MLE做其他矢量估计的做法；第二种是跟GAN相关的做法；第三个是这篇文章使用的逆向强化学习的一种做法。

为了让GAN能应用于文本领域，有两种方法：一种是用SeqGAN、RankGAN的做法，把强化学习的方法引入进来。第二种方法是用Gumbel-softmax的方法，用连续的方式来逼近one-hot向量，使梯度能够传回去。这种做法的好处是，生成的句子更加真实，缺点是训练不是很稳定，训练也比较困难。

我们的方法使用逆向强化学习的方法进行文本生成。从生成器和训练集中生成一个反馈，再通过反馈更新生成器，能够生成出更好的文本。通过不断地交叉训练，最后能生成很好的文本。

一个基本假设：一个文本t概率分布跟t得到的反馈能量函数的形式成正比。

第二个假设，我这个t可以分解到每一步的决策过程，这样的话每个决策的时候都能够得到一个反馈，这样最后我的反馈就不会太稀疏，不会全部生成完了才会有反馈。

怎样去优化反馈参数呢？最大化训练集中那些数据，公式中有log z，最大化的时候，就要减掉那个log z，这就是和直接MLE有本质区别的地方。然后你对它进行梯度求导之后可以得到一个式子。它的物理意义在于，我从真实数据中采样得到一个反馈，拉大从真实数据中采样的反馈，跟我从生成器中反馈的差距。也就是说要获得这样一个反馈参数，使得真实数据的反馈，包括生成器生成的假数据得到的反馈要低。

我在改进生成器过程中使用的是policy gradient加entropy-based，这两个做的是等效的，它们展开是一样的表达。

实验频次跟实验数据主要有两种方式：第一种是用Oracle Dataset，测试likelihood。第二种是在真实文本上做实验，我们用Backward Bleu。跟MLE、SeqGAN、RankGAN、LeakGAN做了比较，我们的结果要优于他们。

最后解释一下我们的方法能够减轻模型塌缩的原因。第一个是因为Max-entropy RL会寻找多峰的策略分布，而不是一个单峰的策略分布。第二步是一个软数据分布假设。

3 冯骁骋 哈尔滨工业大学

Topic-to-Essay Generation with Neural Networks

在这个任务中，我们定义了一个面向主题词到作文的工作，我们希望输入一些不同的主题词，由这些主题词生成一个围绕这些词的段落，这个段落相对较长，并且要求自然语言表达相对流畅的文本。这里提了两个额外的挑战，一个是主题的完整性，我们希望生成整个段落中包含所有输入的主题词的语义信息。其次是主题相关性，我们希望生成每一句话都可能对我的作文主题有所帮助，并不是说一些白文。

还有我们依旧要应对生成任务中连贯性和逻辑的表示。我们在传统的Sequence-to-Sequence的框架下进行了两个点改进，一个是基于topic的注意力机制，另一个是多主题覆盖机制。

首先看一看最基本的模型，基于主题平均的模型，我们将所有输入的主题词进行一个平均，把这个当成我们的主题向量，然后用一个LSTM进行解码。这个方法有一个问题，我们这个输入的五个词，它的平均可能也是被其他5个词所平均，导致一个主题不明确的问题。所以我们加入了一个注意力的机制。

在此基础上，我们提出了Multi-Topic-Aware LSTM，这和传统的方法有什么区别？我们希望这5个话题词，都能够在生成的段落中被包含。但是，这个和之前的模型还有一些不同。因为写作文需要一个真正的主题，并不是说每段、每句话都分别围绕一个主题，这样整个论文会写得很散，所以我们会在原来的覆盖机制基础上加入了一个衰减的系数，我们希望控制每个主题不同的减缓速度，保证有一个主题会更加突出。

我们整个模型的训练过程是采用了最大化似然估计的方法，在解码阶段采用了不同的方法，就是一种Beam-search + Sample的方法，我们从中选择十个最好之后，随机选择一个，并不是像以前Beam-search一样直接选择最好的方法，我们发现它能有效增加作文生成的多样性。

同时我们构建了两个相关的语料库。我们爬取了一些得分比较高的、有评论信息的文章，对它进行分段处理。之后抽取了一些关键词，将这些关键词作为作文的话题词，作为一个输入。此外，我们发现在知乎语料上有很多人问一些问题，并且会人工给一些话题词，我们就把这个也爬取下来了，构建了第二个语料库，就是基于知乎的文本生成语料。

在评价方面，我们采用了人工和自动相结合的方式。在人工评价上采用1到5分进行打分排序。在主题完整性和主题相关性可以看到，我们的方法获得了很好的效果。我们还发现随着模型的复杂程度的增加，文章的生成长度也是在逐渐变长的。

这里对比了两个生成方法，一个是基于诗歌生成的PNN，一个是基于覆盖注意力的SC-LSTM。为了验证人工评价的有效性，我们还进行了BLEU的自动评价，它的结果也是符合人工评价的趋势，我们所提的多主题感知的模型，获得了最好的效果。

4 马树铭 北京大学

Autoencoder as Assistant Supervisor: Improving Text Representation for Chinese Social Media Text Summarization

这篇工作是关于中文社交媒体文本的摘要，先跟大家简单介绍一下任务。这是一个例子，左边是一则微博，内容是关于一篇新闻。右边是这个新闻对应的摘要，航班多人吸烟，机组人员与乘客冲突。可以看到这个任务的目的是在保留原文本含义的基础上，对社交媒体的文本进行一些总结和概括。

做摘要一般有两种方法：一个是抽取式的摘要，一个是生成式的摘要。我们这篇文章是采用的生成式摘要的方法。生成式摘要一般用Seq2Seq Model，它大体的框架就是，先把一个文本用一个encode编码成文本的表示，再用decode生成出对应的摘要。我们用这个模型进行一些尝试的时候发现了一些问题，因为社交媒体文本中，一般会有一些非正式的表达，甚至有时候会出现一些错别字。这种情况下，encoder会把文本编码成一个有偏差的文本表示，最后会生成一个错误的摘要。

要解决这个问题，我们能想到一些解决的方法，第一种方法是基于规则的方法，对这些噪音进行纠错。我们知道社交媒体文本的噪音是各式各样的，我们很难说找到一套规则能够覆盖大部分的噪音。第二个方法，我们有一个模型让它自动纠错，但是我们的数据集中没有这些标注信息的，要专门做标注，也是非常耗费人力和时间的。

所以最后一个比较现实的方法，就是让我们的摘要模型自己去学会生成一个无偏的文本表示。针对这个问题，我们提出了一个方法，就是用一个summary的Autoencoder去监督这个Seq2Seq模型，让它能够生成一个无偏的文本表示。Summary encoder能够生成一个summary的文本表示。摘要一般比较短，而且没有噪音，并且更重要的是，它跟原文本之间的语义信息含义是一致的，所以我们可以把摘要的文本表示当成一个原始文本表示的近似无偏的估计。

具体的方法。我们先构建了一个attentionbased Seq2Seq model和一个Autoencoder，然后我们用训练数据集中的摘要，对这两个模型进行监督训练。最后最小化这两个模型之间文本表示它们的距离，达到监督训练的目的。这是训练阶段。

在测试阶段，并不需要Autoencoder，我们只需要用Seq2Seq进行进行编码解码生成摘要。

训练阶段，我们还加入了对抗训练的方法。我们引入了一个判别器，让它去区分原始文本的文本表示和摘要的文本表示。

实验部分。我们的数据集是一个大规模的微博的摘要数据集，包含了240万的文本摘要对。我们选取了文本摘要的标准评价方法ROUGE，来评价我们的模型。我们把我们的模型和之前一系列相关做文本摘要的模型进行了对比。可以看到，我们的模型是能够超过所有模型，达到比较好的效果。

根据进一步的实验表明，我们提出的方法能够大幅度地提高Seq2Seq encoder在情感分类上的准确率，这说明我们的方法确实能够训练出更好的encoder，它能够得到更好的文本表示。

我们的代码已经开源了，欢迎大家下载使用。

5 李浩然 中科院自动化所

Multi-modal Sentence Summarization with Modality Attention and Image Filteringe

首先，第一个模块是层次化的编码。我们利用双向RNN对文本进行编码，利用CNN对图片进行编码。接下来我们还需要对图片以及文本进行加权分别生成图片和文本上下文向量，也就是所谓的Attention机制。在此之上，我们引入了基于模态的Attention，我们认为有些词文本提供信息比较多，有些词图片信息提供的比较多，所以说需要平衡一下两个模态之间的注意力。

第二个是图片过滤器，我们综合分析该图片对于文本主题以及当前解码状态的相关性，提出基于图片注意力和基于图片上下文向量的图片过滤器，希望进一步平衡模态之间的权重，或逐元素滤除图片带来的噪音。

第三个对于解码器的初始化。传统基于文本的解码器，初始化时只用了源端文本特征。在多模态里，我们希望利用图片信息对这个解码器进行初始化。我们使用了基于图片CNN全连接层和卷积层的特征。

因为共同爱好和对知识的渴望，各行各业的朋友们，相聚一堂。

人生一场，相遇不伤，都已经是很深的缘分，何况各位还能倾囊相授？冒着纷飞的大雪前来赴约，只为碰撞新奇的火花。

一年一度的罗友跨年趴拉开帷幕拉，杭州分会今天正式开趴。

01

爱的奉献，我们有暖心的温度

有这么一群人，只因为热爱，自发的为跨年趴而准备着，奉献着。

他们就是本次会场的30名义工，无私奉献自己的时间和精力，只因热爱。

接待、策划、签到、摄影、导播、主持……每一个环节，每一名参与者都是来自各行各业的罗友。每个人都发光发热，让整个会场极具温度。

02

会场亮点，我们有别样的特色

熟悉的场地，还有氤氲蓝的灯光，整齐的果盘，在本次会场显得格外别致。因为热爱，这一切都变得不一样。

来自杭州及周边的300多名罗友，自发赴约而来。本次杭州会场也极具特色，是第1个现场连接深圳主会场，且连接时间也是最长。杭州罗友会在全国分会的地位，也是显而易见。

03

齐聚一堂，我们有共同的频率

看来往忙碌罗友的身影，他们有专业的律师，有退伍军人，有多次创业者，有刚入社会的大学生，有笑靥如花的阿姨……

在知识面前，一群带红领巾的人显得特别可爱。谦虚、终身学习、终身成长也是这群人共频的源泉。

04

嘉宾分享，我们提前看清趋势

感受完现场，我们也来到了重量级嘉宾分享环节。有赞金牌讲师亚霖老师分享社交电商的小趋势，其中提到2点精细化运营和社群运营尤其重要。

这是一群走在思考前沿的人群

大师课嘉宾提到零雇工液态组织的3个要点。以交易代替管理，以共识代替指挥，以选育代替培养。

还有摩西导图创始人特约分享，他提倡培养一种可视化思维方式，帮助更好的自我管理和商业分析。

都说跨年应该出去玩，可连续三年都有好几百万人选择和我一起知识跨年。你说，这是什么小趋势？

AIS （ACL、IJCAI、SIGIR） 2018

Session 10：Syntactic and Semantic

“句法分析和语义理解” 专场全程视频

分享以下分享内容根据讲者口头分享整理，具体内容详见论文。

1. 江心舟 苏州大学

Supervised Treebank Conversion: Data and Approaches

（本次AIS论文预讲会由李正华老师代替江心舟作口头报告）

我们的主要工作是树库转化。先介绍一下什么是依存句法分析。依存句法分析的目标就是给一个句子，然后把它上面结构化的信息标出来。它以弧为单位，就是以两个词之间的搭配关系为基本单位。搭配关系就是它们之间的语法关系，有时候可能会有一些语义信息。

这几年依存句法分析发展很快，2016年的时候，谷歌提出来一个模型提高了3个点，2017年Stanford又提出了一个模型，比谷歌又高了4个点。依存句法分析还有什么挑战可以做呢？我个人理解，第一方面是怎么样处理稍微不规范的网络文本。另外目前模型还没有把一些语义的知识、人类世界的知识融入进去，这是整个机器学习领域要去考虑的问题。但是怎么利用已有的树库让训练数据更加充分一些。

接下来我们要回答两个问题，一个问题是怎么样把不同规范的树库转化成同一个规范的树库。比如说这个句子是哈工大的规范，而我们自己定义了一个规范。这两个规范不管是依存弧的定义，还是依存关系的定义，都是不一样的。怎么样把别人的这棵树转化成自己的这棵树？这叫树库转化的问题。大家可以理解机器翻译问题，就是把一个句子转化成另外一个句子。我们这个问题实际上是怎么把一棵树转化为另外一棵树，这个问题更复杂一些。第二个问题，如果把这些不同规范的数据转换统一规范了以后，是不是真的比目前比较常用的方法能更好地帮助句法模型在目标规范上？ 这两个问题我们的工作都有一个初步的答案，是YES。

对于树库转化的问题有什么挑战呢？最重要的一个挑战就是，我们目前没有这样的数据。给一个句子，我标了两棵树，一棵树是源端规范的，另外一棵树是目标端规范的。我们把这个叫bi-tree aligned data。当没有这个数据，前人他们就用了其他的方式去做，而我们用了super-wise的方式。

第一件事就是标了一个数据，产生有两棵树句子的一个数据。不是一个句子拿来标两棵树，在哈工大数据上，我们标了1万句，本来已经有哈工大这棵树了。我们在这个基础上，用我们新的规范，再把它标了一遍，差不多标了一万句。标的过程中，是有选择地标，每个句子平均标了30%的词。

我们有一个标注平台，雇了差不多15个同学，这批数据一共花了差不多500个小时/人，总的准确率是78.6%，人和人之间弧的一致性71.5%，句子一致性43.7%。这个数据是严格的双人标注，两个人如果不一致，会有专家审核等等，让我们的数据标注质量有一个流程来控制，确保它的数据。

树库转化的任务是首先给一个句子，然后给了源端的一棵树，用源端树产生目标端树。我们任务本身核心的挑战，或者最重要的一个难点，就在于怎么样能够充分地利用源端树的信息，来指导上面目标端树的产生构建。

我们提出两种方法，一种叫pattern embedding，一种是treeLSTM。给一个弧打分，打分的时候，考虑怎么样用源端的这棵树，来指导这个弧打分的时候的分值函数。

实验结果证明了两点。第一，转化的结果，其中两种方法非常接近，结果都差不多，都非常有效，而且非常简单。另外我们把转化过的树库用了以后，Parsing性能也有比较大的提高。这就是我们的贡献，数据、方法和第一次提出来这个任务。未来我们会把其他的树库转化成我们的规范，不断地标其他的树库，希望把汉语依存分析做到非常好的效果。

2. 陈宇非 北京大学

Accurate SHRG-Based Semantic Parsing

我们的工作做的是图结构的语义表示。什么是图结构语义表示呢？对比一下SDG和AMR，SDG是一种比较简单的图结构，建模的是词与词之间的二元关系。而AMR比SDG要复杂一些，它的思想是把不同表述方式统一起来，AMR可以把很多种形式不同的句子，只要语义相同，就可以统一成一种图结构的表示。例如一句话用主动语态和被动语态说，表面相差是很大的，但是图结构语义表示希望能把它们表示成统一的语义图。

我们论文中涉及的数据，也是一种图结构语义表示，它跟AMR比较像，图里面的节点和句子里的词并不是一一对应的。它标注的时候，先通过一种语法来得到侯选的结果，然后再进行人工消歧，所以它的标注一致度比前面的AMR高许多。

上下文无关文法是把句子描述成一种递归的形式，超边替换文法是上下文无关文法在图上面的表示。它的基本概念和刚才的上下文无关文法是同样的，首先有一个起始符号S，每一步把一条边替换成一个子图。经过一系列的替换，就可以从S个符号展开得到一个比较完整的图。

超边同步替换文法就是在句子的句法和语义之间建一个同步映射的关系。CFG每条规则都有一个与之同步的语义规则，所以在得到句法规则之后，我们就可以同步找出句法规则对应的语义规则，并进行超边替换，得到具体的语义图。但是在语料中是没有语义图生成过程的，需要通过抽取的方式得到语义图的生成过程。语法抽取过程和图展开的过程是相反的，不断地从最后得到的图中找出一个图的片段，把它缩成一条边。最后整个图被缩成一个起始符号S，我们就可以得到这个图的生成过程了，进而就可以抽出这个图的语法。

我们的解析主要是利用神经网络进行。它主要有两个步骤，第一个步骤是句法解析，第二个步骤是语义解析。句法解析即，首先有一个字符串，要得到它的句法树。第二个是语义表示，句法树里面每个节点都有它的CFG规则，要找出CFG规则对应的SHRG规则。

我们句法分析的过程主要是基于LSTM-Minus进行的。两个输出向量相减之后，会得到一个向量，向量之间就可以表示某个字符串的子串。

语义解析也很多种模型，最简单的就是基于计数的模型。我们就选择训练数据里面出现最多的语义规则。二个是基于规则向量的消歧模型，我们会把子串对应的向量和规则对应的向量拼起来，放到一个全链接网络里面得到一个分数，再选用分数最高的规则。

第三个是基于全局的模型。我在每一个节点中都选出分数最高的K个子图，经过Beam-Search操作之后，就可以得到一个考虑全局信息的语义图。这是我们的结果。可以看到我们的模型比对比模型的效果好很多。我们有三种模型，即使是最简单的基于计数的模型，也可以得到比较好的效果。

3. 陈宇非 北京大学

Pre-and In-parsing Models for Neural Empty Category Detection

如果大家做过句法分析的话会发现，树库除了句子之外，句之间还插入了很多空节点，这些空节点表示的含义，就是省略的主语之类的信息。我们要做的工作就是空节点检测，就是我给出一个表面的句子，这个句子里面会有一些省略的主语，怎么把这些省略的成分标出来，这个任务就是空范畴的检测。

空范畴检测方法分为三种：pre-parsing、in-parsing和post-parsing。pre-parsing是在和那个句法分析无关情况下进行空范畴的检测。in-parsing是空范畴检测和句法分析两个结合在一起。post-parsing是先得到句法分析结果，然后再进行空范畴分析。

进行空范畴分析的时候，我们要得到什么样的特征？首先第一个特征是序列的特征，空范畴的旁边可能会有什么词。还有一些比较远距离的依赖，可能有一些词和空范畴比较远，但是他们可能也会对空范畴检测有帮助。

我们提出第一个模型是一个基于序列标注的模型，因为我们已经得到原始句子，可以把空范畴依附到句子旁边。我们提出了三种模型：第一种是在词和词之间插入一些空位，把空范畴依附到空位上面。第二个是空范畴依附到下一个词上面，pre2表示的是最多会有两个连续的空范畴。第三个模型是如果有连续空范畴的话，我们可能会把它依附到前面的词或者后面的词上面。

第一种模型是在词和词之间插入了很多空位，每两个词之间都会插入空位，我们就把空范畴的标签放到空位上面。下面的模型都没有插入空位，我们把空范畴的标签放在前一个词，或者后一个词上面。

第二种模型是和依赖句法分析一起做的。首先是我们找出分数最大的句法树的过程。我们的一阶模型是对边进行建模，边可能是会有实节点和实节点之间的边，还有实节点和空节点之间的边，我们分别用一个全连接层对他们进行建模。

还有二阶的模型。它的基本元素不是边，而是两条边组成的对、比如说IJ和IK这两条边，就可以表示成IJK这个边对，我们也可以通过一个全连接层对他们进行建模。对二阶模型，我们组在2017年提出了一个动态规划算法，来进行空节点和句法分析的联合检测。

我们模型的结果是对比了LSTM-CRF序列标注模型，还有线性的序列标注模型的结果，我们可以看到LSTM-CRF模型对序列模型有很大的提升。

第二个是我们in-parsing模型的结果。因为我们的in-parsing模型是空节点检测和句法分析一起进行的，所以我们可以看到空节点检测这种方式，不仅会对空节点检测效果有提升，而且会对句法分析的结果有提升，就是空节点检测和句法分析可以互相提高对方。

4. 陈波 中科院软件所

Sequence-to-Action:End-to-End Semantic Graph Generation for Semantic Parsing

首先我们简单介绍一下语义解析任务。语义解析是将自然语言句子解析成计算机可识别或可执行的语义表示，比如用逻辑表达式来表达句子的语义。这是一个语义解析的句子，自然语言句子“奥巴马出身在哪个城市”，它所对应的逻辑表达式，它的解释就是一个边的X，它的类别是城市，它与奥巴马实体之间有出身语义的关系。而我们得到一个句子的语义表示之后，我们在知识库的支撑下，就可以得到这个句子准确的答案，我们可以得到句子的准确答案，奥巴马出生的城市是火奴鲁鲁。语义解析的应用非常广泛，可以应用于自动问答等等。

现阶段语义解析面临的问题，我们觉得是传统的语义解析过于依赖于词典和文法。比如以前很多工作都致力于怎么进行词典的学习，怎么扩充词典，另外还需要定义很多组合文法。而这两年有两类语义解析的方法，它们解决传统语义解析方法面临的问题：一类是基于语义图构建的方法，这类方法是用语义图表示，这种方法的优点是不再需要组合的文法，把语义落地这部分转换成一个关系匹配的过程，不再需要词典。

另外一个现阶段比较火的序列到序列的方法，直接把句子的语义逻辑表达式序列化，把语义解析过程转换成序列-到-序列的过程，这样就可以解决语义解析的问题。这种方法同样不需要文法、词典和定义特征，整个训练过程是端到端的。

我们综合这两类方法提出Sequence-to-Action，首先我们使用语义图来表示句子的语义，不使用逻辑表达式。另外我们把语义图构建过程看成是一个动作序列，我们希望对句子进行解析，得到句子的语义图。语义图是一步一步构建过来的，我们把它的构建过程看作是一个动作序列，这样可以把整个语义解析看作是一个句子的序列到动作系列的过程，这样可以使用RNN模型进行建模。这种方法的优点，是它综合利用了语义图的语义表示能力以及像Sequence-to-Sequence模型序列预测的能力。

这种方法和之前基于语义图构建的方法对比，不需要借助于句法分析结果或者是特定的模板构建这么一个语义图，而直接使用端到端的方法生成语义图。而对比基于Sequence-to-Sequence的方法，我们使用动作编码来构建语义图、构建建模更多句法信息，同时我们考虑了生成动作之间的一些联系。就是在decode过程中，可以方便添加一些句法和语义约束用来过滤一些错误的动作。

我们方法的一个框架举个例子说明。当输入一个句子的时候，我们使用了RNN的模型，生成一个动作序列。这个动作序列可以用来构建语义图。在生成动作序列的过程中，可以添加一些约束条件，来限制可生成的动作，及时过滤掉一些错误的动作。而整个框架，首先需要定义一个动作集，这个动作集就是来建模语义图的过程。这个动作集，它比较普遍，任何一个语义图都是有一些节点、一些边组建成的，具有一定的普遍性。而具体的针对每个数据集，它的边、它的实体，它的这些信息是不同的话，可能对应的动作稍微有所不同，但是大体上类别是基于添加边、添加节点、添加类别节点等等。

而我们所使用的Sequence-to-Action模型与现阶段使用最为广泛的编码器模型没什么区别，唯一的区别是我们加入了一个控制器，用来添加一些句法约束和语义约束。

我们在编码器中加入一些句法约束和语义约束。句法约束就是保证生成的动作序列能够构建一个有效的图，所对应的语义约束保证生成的动作序列所构建的语义图，不违�...

为了进一步加强2019年春季新同学之间的交流融合，提升课堂班级学习氛围并检验同学们的学习成果，3月1日上午，武汉新华春季1901班的萌新们迎来了入学以来的首次阶段课程学习分享会。

此次分享会由高梓原老师担任指导老师，校区程主任及数位老师参与了此次分享会，老师们对萌新们的课程阶段总结进行指导和打分。

曾经以为学不会，如今成就感不止一点点

学习分享会上，同学们以自己这个阶段的基础知识为支撑，用PPT向大家介绍自己，接下来展示了他们这一阶段在学校的学习成果，涵盖了对软件的认识，触发器的设计，还有PPT排版设计，个人目前遇到自己遇到的困惑和难题，以及自己的学习心得。现场分享的氛围特别融洽，时不时响起掌声和笑声。

主任对同学们的PPT汇报做了点评并指出，同学们的PPT制作和讲解水平，有值得认可肯定的地方，也有需要改进提升的地方。一份好的PPT不仅是版式设计、动画设计等基础知识的展现，也需要良好的思辨演说能力，逻辑思维能力。同学们要及时对阶段性学习进行总结，发现问题，解决问题，关键要落实。老师们也一定会全力地帮助同学们进步。

据悉，参加本次阶段课程学习分享会的新生学子来到新华才短短两周的时间，他们已经能够独立设计制作作品，并能顺利的讲解，这主要得益于学校“理论+实战的教学模式，更离不开老师们的悉心指导和他们自身的不懈努力。来武汉新华，换种思路上大学，圆互联网技术梦想哦

相关搜索

• 春季是哪几个月
• 春季蔬菜有哪些
• 春季过敏怎么办

6月23日，由Kyligence主办的深圳站 Apache Kylin Meetup顺利落下帷幕。周末的大雨丝毫没有阻挡大家来学习和交流的热情，来自Kyligence、网易互娱和华为的工程师们用专业又风趣的语言为大家带来以“拥抱开源，精彩分享”为主题的Kylin使用心得，在这场技术与案例融合的交流分享中，学员和讲师都有丰厚的收获！

2018 深圳站 Apache Kylin Meetup 会后合影

接下来就跟着小编一起重温此次Meetup！

史少锋

首位登场的就是Apache Kylin核心开发者和项目管理委员会成员，同时也是Kyligence 老司机史少锋为大家做了《Apache Kylin 2.3/2.4 版本及社区更新》的介绍。今年3月份发布的2.3版本包含了System Cube, Cube Planner和Dashboard等功能，能让我们把Kylin里面的Cube用得更高效；借助于metrics系统，把查询，任务日志，信息采集过来，然后存储到System Cube，通过Cube Planner 优化Cube 结构；Dashboard 让我们更好地了解其中的运行状况。而在此之前，需要在外面通过第三方的工具才能做这些事情，而现在有些功能在Kylin中就可以使用。

介绍完2.3版本后，史少锋也为大家展示了Apache Kylin 2.4版本的三个新特性：

1.支持sum（expression）

2.支持大lookup表

3.支持Kafka与hive的join

除了技术干货输出，史少锋还用某知名地产开发商的案例展示了Kylin与BI工具 Superset的结合搭配，该用户通过Kylin+Superset对数据进一步的分析和可视化，帮助其构建智慧小区。在结尾处，史少锋也透露Kyligence基于开源Superset 为Kylin做了扩展开发，后续会将这个工具免费提供出来，让社区中的大家可以免费下载和使用。

杨操

来自网易游戏数据中心的高级开发者杨操为大家带来了关于《Apache Kylin 在网易游戏的落地实践》，首先详细阐述了网易游戏和Kylin结合的背景介绍，包括网易游戏大数据平台、业务场景，另外也向大家介绍了选择Kylin的原因及使用现状。在实践经验中又向学员展示了并发性能调优、Segment数量调优以及Cube性能调优。最后杨操也结合了一些经典案例来给学员分享了网易游戏的工程师们在运维上的实践和经验。

上半场随着杨操的讲解结束，现场就有众多小伙伴开始踊跃提问，杨操讲师在Kylin的优化等方面给大家做了详细的解答。

李良必

“今天下这么大雨，能跑过来，肯定对Kylin都是真爱！”，下半场来自华为的李良必讲师刚开场就赞扬了学员们对开源的热情。开源的魅力就在于不断的分享和收获，在接下来的演讲中也同样为大家展示了专业的技术讲解和精彩的案例分享。

当提到为什么会用Kylin时，李良必也用一句话概括了用户的痛点：因为大数据用得很不爽，数据量大、查询慢、Kylin 能很好得解决这些问题。

接着李良必也谈了一些对大数据查询方面的感受：“在大数据平台上，体系分为四方面，第一是原生查询，包括Hive/SparkSQL，查询比较慢，但是优势是可以直接拿来用。第二是MPP查询引擎，比较高性能，主要是基于内存进行计算，性能的提升也比较明显。关键是费用比较高，不是谁都能搭得起这么一套服务器。第三是NoSQL数据库，缺点是不支持数据导入。在工作中遇到的纬度非常多，所以查询在HBase中很难实现。Kylin是一个切入点，是一个计算框架，我们提前算好了放在那里，大家查询时可以使用Cube。这个组件相对于传统数据库，做了连续创新，它的查询复杂度直接由以前的多个N转变成多个1。”

另外，李良必也讲述了华为为什么用 Kylin 来作为其解决方案，以及真实的使用场景和使用经验。从2016年开始使用Kylin做大数据提升引擎后，在查询及交互效率上有了很大的提升，开发周期也明显缩短，而效率的提升带来的就是开发成本的降低。

宗正

活动最后由来自Kyligence的大数据讲师宗正来分享《Apache Kylin 在流式应用中的按需定制》，分享了Kylin的流式构建，以银行在金融反欺诈行为作案例，反欺诈行为就是大家所了解的，当我们去用银行卡、信用卡，和非常多的人进行交易，在这每一秒钟里有无数的数据产生。经过前期的数据清洗，会流到Kafka这里，Kafka每秒钟会发出非常多的数据，在银行这边会实时对数据做分析的操作，同时识别虚假信息，例如银行卡是否有套现的可能。

AIS （ACL、IJCAI、SIGIR） 2018

Session 5： Machine Learning and Applications

“机器学习和应用程序” 专场全程视频分享

以下分享内容根据讲者口头分享整理，具体内容详见论文。

1 申大忠 中国科学技术大学

A Joint Learning Approach to Intelligent Job Interview Assessment

先来看一下我们的Motivation， 面试作为人才招聘中的一个重要环节。受到了越来越多的关注。但是，传统的面试流程中存在着一些不可避免的弊端。比如面试决策主要靠面试官个人的判断，难免会受到面试官个人喜好，经历与才能的影响，造成一定的偏差，特别是对于一些从业初期，没有经验的面试官。而对于一些老练的面试官，他们的经验也很难被初级面试官继承学习到。其次，虽然如今一些公司已经积累大量的招聘面试数据，但是从数据挖掘的角度提升面试效果的工作还很少。特别是发掘优秀面试官的经验方面。

为此，我们这篇工作的目的是通过在大量优秀面试官参与的面试记录中学习，发掘面试中几类文本的内在关系。分别是 “岗位描述，简历与面试评语之间”找寻优秀面试官在面试中主要关注点，从而进一步辅助面试等。改善传统面试中的主观性，片面性问题。

但在这个过程中，我们也发现招聘中的一些现象或者挑战需要我们特殊处理。其一，面试官往往根据候选人的简历来设计面试，导致简历与面试评语之间往往存在着强相关性。其二，简历与岗位描述之间也同样有很强的相关性，但不同的是，一般岗位描述比较简洁，而简历中较具体，而且很多不同经历的人可能同时申请同一份岗位，所以，岗位描述的persity要比简历要小。最后我们还注意到，技术类面试与综合类面试之间具有很大的区别，一个偏向于技术考察，一个侧重于人文素养的考察。我们也要区别对待。

为解决上面的三个挑战。我们提出了我们的模型Joint Learning Model on Interview Assessment（JLMIA） 。我们的模型是基于主题模型LDA拓展推广的。右边是相应的概率图展示，我们认为面试中的各类文本都是由多个主题混合而成的，为刻画面评与简历之间的相关性，我们他两之间共享主题分布thetaA来，同时假设thetaA 由岗位描述主题分布thetaJ生成来刻画简历与岗位的关系，为了进一步刻画岗位描述与简历之间的deversity 不同，我们假设三类文档各自的主题数是不同的。接着为了区分技术与综合面试，我们对来自不同类型的面试文本使用不同的主题集。最后，为了求解我们的模型，我们设计了EM算法。如果大家对我们模型更多的细节感兴趣，可以翻阅我们的文章。

接下来，我们设计了两个应用辅助面试，其一是人岗匹配， 给定一对岗位描述与简历，我们希望度量两者的匹配度。首先我们的模型可以推断出两个文本的各自主题分布作为各自的表征向量，这样我们可以使用多种方法来度量匹配度，例如，向量间的cosine similarity，KL 距离，或者把向量拼接作为匹配对作为特征，添加录取与否的标签，使用有监督方法，训练分类器来预测录取概率。我们在真实面试数据上测试我们的效果，baseline有 LDA bag-of-word,我们的模型在多种度量方式上都要明显优baseline, 可以说我们模型找到了简历和岗位描述之间的一种相关性。

另一个应用是面试问题推荐,假设我们有一个面试问题集，给定一个query 我们希望推荐一个相关的问题子集X,这个问题子集X一方面要与query相关，另一方面，问题集覆盖的知识点要尽可能多，即彼此之间要有差异性。我们把问题当作面试评语推断其主题作为表征。同时考虑问题集的Relevance 与 Diversity 设计优化函数，F。F取得最大值时的问题集为最优解。我们同样在真实面试问题集中测试我们的方法。

我们提出三个评价指标，Relevance、persity、Person Quality，Relevance是说推荐十个问题中有多少个与query相关，persity是说这些相关的问题有多少个是涉及不同的知识点，最后person quality是涉及综合类面试的问题。三个评估指标中，我们的模型推荐的问题 Relevance 与Diversity都较高，这说明推荐的问题不仅与query相关而且覆盖的知识点较多。其次推荐给综合面试的问题涉及Person Quality的问题要比技术面试要高，这也是与实际相符的。而以字符匹配为基础的BM25算法效果比较差， 这可能是由于其很难发掘query中潜在的知识点造成的。更具体的我们在论文中展示了一个例子，进一步可视化解释我们的效果。如果感兴趣可以翻阅我们的文章。

这就是我们在智能面试方面的工作，希望在提高面试评估质量的方面做点贡献，使合适的人在招聘中脱颖而出。谢谢大家。

2 毛宇兆 北京邮电大学

Show and Tell More: Topic-Oriented Multi-Sentence Image Captioning

我们看一下Image Captioning任务，为图像生成文本的描述，它跟图像分类不同的地方可以用句子来描述一幅图片，它能广泛应用在很多领域，比如幼儿教学，盲人导航、自动导游。这是很好的应用，现在导游系统，我们到一个地方突然开始讲了，我也不知道讲什么东西，结合VR眼镜，对准一个，它会为你解说内容。

多媒体的人机对话，还有我们能够为医疗影像图片自动生成一些报告，它有很广的应用。我们的动机是，图像描述通常是为图像生成一个单句子的描述。

我们首先想到的就是LDA模型，首先把这些句子放到LDA模型中去，可以获得一些参数，其中包括句子的主题，以及这个句子主题中的主题词，可以标注在这些图像上面。同时我们也可以可视化我们的主题。第一个主题，描述厨房一些内容，第二个主题，关于颜色，第三个，打电话，第四个，读报纸的一些东西。

我们的贡献是提出了面向主题的模型，用多个句子完整描述图片。我们提出了融合单元门，把主题融入进去，把生成的句子和主题保持一致性。我们也在句子和段落集的数字集上面做了很多实验，证明我们的模型在主题一致性和描述一致性上是有效的。

模型首先是形式化描述，传统来说，一个图像描述的目标就是给定一幅图片最大化句子概率。我们模型，为了要抓住不同侧重点描述，引入主题变量。在给定图片的情况下，一个句子和图像联合分布，可以展成两个项目，其中第一项是面向主题的语言模型，对应我们模型的一个输出，同时第二项是一个主题分类器，对应这个模型的第二个输出。

我们的代价包括两个，一是训练语言模型的代价，二是训练分类器的代价。

我们输入包括两项，第一，已经训练好的LDA，还有一个是LCM的第一时刻我们会输入一个图像，在随后的时刻我们会输入句子。

第一个模块是LSTM单元，它会获得两个表示，一是图像表示，就是h0的输出，还有上下文的表示ht，t 大于0时候的输出。

我们还有融合单元门，把得到的三个表示，一是上下文的表示，还有一个是图像的表示，还有一个是主题的表示，融合方式非常简单，先把主题和图像相乘，然后再拼接到上下文表示，去输出语言模型的概率分布。

我们的模型不是为段落描述设计的，但是在段落数据集上也能获得比较好的性能。

给定一个主题，其中NIC会生成显著部分的描述，而我们的模型会生成跟主题相关的图像细节，这是我们的模型优势。

我们在描述同一场景，比如building的时候会有不同侧面的描述，这是qualitative results。

3 何苯 中国科学院大学

TDNN: A Two-stage Deep Neural Network for Prompt-independent Automated Essay Scoring

自动作文评分，指的是机器学习的方法，自动给作文打一个分，希望这样降低人工评分的代价，美国AES在2005年开始在GRE等里面引入机器评分。

现有作文评分方法，大致分两类，一是主题相关模型，对于每一道作文题有打好分的数据，训练模型，然后预测。二是主题独立的作文评分，有一个年级模拟考试，写出作文，但是没有训练数据，只有过往历史数据，根据过往历史数据有一个模型，迅速打一个分。

以往的方法大部分都是主题相关的模型，结果也非常好，甚至有结果表明它们与人和人之间的一致性还要高。但是主题独立的作文评分相对来说不是那么简单。

针对这个问题，我们在工作中提出了基于直推式transfer learning两阶段的算法。

第一阶段，主题独立阶段，我们训练一个简单的评分模型，它是主题独立模型，使用的也是主题独立的特征。用这个模型预测目标的问题作为评分。这个评分是不靠谱的，但是大体上用这个评分可以知道哪些作文是最好的，哪些是最差的。

第二阶段训练神经网络模型，用来预测目标作文集的作文评分。这个深度神经网络有三部分输入，第一部分，语义网络，它的输入是训练好的embedding，第二部分是POS标记输入，第三部分是句法标记作为输入。我们希望用三个不同的输入，分别捕捉一个作文的语义信息，句子的语法构成。还有段落的一种组织，句法组织方式，来捕捉它们和作文评分的一个关系，经过两层三层的LSTM生成作文表示，它们会被拼接起来，输入到前配网络，得到最终的评分。

本文提出的模型，这三种不同的模型输入，每道作文上最佳baseline的性能比较，除了第七道作文题，其他的几个作文题都有一定程度的提高。八道作文题，平均来讲，上面是baseline，下面是方法不同的特征输入。我们发现提出的方法，平均上来讲在三个指标上都能得到一定程度的提升，最好的特征组合是embedding输入加上句法标记。

另外，尾标记信息它的正确性，虽然它的尾标记评分不准确，尾正例比尾负例要高，同时尾负例比尾正例都要低，准确性都有80%以上，保证了训练的可靠性。

最后总结一下，本文提出两阶段的，基于transfer learning的神经网络模型，希望能够解决主题独立的作文评分任务，结果表明方法有效性，还有一个结论，句法特征被证明对作文打分还是有用的一个特征。

4 周乾荣 北京邮电大学

Differentiated Attentive Representation Learning for Sentence Classification

在现在的很多句子分类模型当中，最重要的一个环节就是句子的表示学习，现阶段基于表示学习的深度模型，大家都会用到一种注意力机制的模型，这种注意力机制对于提高整个句子的分类性能还有模型的科技一致性有很大的帮助。

作为一个总结，相关工作里面，在这种单项的注意力集中当中，使用的引导向量一般是句子的平均向量，或者初始化。这种单量模型上面可以进化出多跳的机制，这种机制主要的一个改变就是原先单跳是对句子进行一次关注，这种多跳会更新在句子上面的关注权重，期望能够在最后一次能够关注到句子中比较重要的部分。

基于单跳的模型在一些比较复杂的句子，或者长的句子上表现性能不是特别好。一般性能上要优于单跳模型，一般来说它会使用一种共享全值方式，也就是多跳的注意力机制，它使用的是统一权重。另外，我们发现这种方式都是在最后一个时刻给分类标签的监督信息，没有在中间提供一些其他有监督的信息。

这里是我们发现的一个问题，这种多跳的模型，一般在第一次关注非常重要。比如第一次关注到错误的地方，后面基本上都是沿着错误的道路越来越远。我们的期望就是如何能够在第一次关注错误的时候转移到正确的地方。

我们模型的一个动机是要找到一种方式，出现错误的时候把这种attention转移到正确的单跳上面，给出预测。我们的动机是关注的时候给出一个信号，这种信号传递一种信息，信息表达的是前面attention表现的好与坏，如果分类出现错误，我们应该告诉后面的hop怎么调整。

在训练方法上，如果说我们直接把两个loss加在一起，其实没有不同之处。我们在GR的loss上面加了一个调节因子，在出现错误的时候，关注到一个不是特别好区域的时候，能够转移它的attention。

这里面我们调节因子采用的是分布函数，意义在于C1在正确标签上预测的概率值，如果这个值比较小，那这个发音会比较大。loss的优化重心放在L2上面。这样显示一个信号，表现的怎么样，这个信号传递给C2。

最后是判别器的loss，而这个loss它的监督信息来自C1和C2的分类loss，用的是一个函数。

我们在实验中发现，如果C1的学习情况对C2影响特别大，如果C1总是给出很尖锐的概率分布，或者很平均的概率分布，都将影响C2的学习。我们对C1的预测输出做一个乘法，保持它在该有的正确标签有一个词，其他的标签上有一个不是特别低的值。最后我们把这三个加在一起统一优化。

在模型层面，我们主要提出了差异化的模型。在问题解决层面，我们提出一种显示的信号转移这种attention，能够有效解决attention bias问题。另外，我们做了一个可视化，看到了模型能够提取出更有表现力的特征，提高了分解性能，谢谢大家。

5 刘一佳 哈尔滨工业大学

Distilling Knowledge for Search-based Structured Prediction

自然语言的结构预测是把...

通过软件把思维导图演变成PPT

由于上一篇文章收藏人数较多，所以在本篇文章中，如果真的对这项能力比较感兴趣的，本号作者建议您评论或收藏。我会在后续进行软件应用的详细步骤讲解。目的是为了通过了解内容并对技能或者知识感兴趣的朋友指导其学会这项技能。做号不易，望各位也不吝评论或者留言其他你认为比较好的软件，我同样会进行学习并分享。

如果没有阅读过上一篇文章的朋友们，建议你们可以点击下方的文章链接查看上一篇发布的文章内容

PPT制作速学-职场技能篇

文章中是将上面这张动态图中白色框选中的1、3、6帧选中后产生的效果。详细可以查看文章或者参照下图中的演示：

图中红色标记的矩形范围与上一篇文章中的图片展示内容相同，所以这就是新功能下的PPT演示效果，在新功能下切换是流线型的，所以不会显得特别生硬或者呆板。

可能由于百家号的缘由导致上一篇文章中的视频可能没有展示出来，如下

本号宗旨：不断学习，能力晋升

愿景：希望收集各位办公软件使用过程中遇到的问题留言，如果问题确实比较有深度或者难度，本号会做出详细的文章或者视频讲解（因为小问题可以百度搜索搞定，^_^）

本号目标：希望通过分享自己学习到的新技能或者新应用给到各位（只围绕工作+学习），目的是为了能够自我自律，形成学习+实践的良好习惯。

工作：指我们在日常办公以及新技能实践方面遇到的问题，可以相互学习与交流；

学习：在书籍上学习到的新知识或者新技能同样也可以作为分享；（本内容希望在后期更新）

PPT是辅助演讲最重要的一个东西，在大学的时候每次开班会做PPT，老是会被辅导员pass掉，重新做。在工作中，年终总结做PPT，老是会被老总pass掉重新做。对于PPT真的很苦恼！所以经过小编的经验，分享给大家做PPT过程中的诀窍。

1、 选择适合的PPT模板

很多人在设计这方面是往往不在行的。就算可以设计出模板，也是很单调的，没有吸引人的感觉。所以这个时候你们就可以在网上找寻一些模板，省下许多时间来准备内容。但是哪里会有很多还看得模板呢？"办公资源"这个网站是真的很了解用户，设计的模板各式各样都是很喜欢。

二、收集并整理素材

提炼文字材料，将不必要的内容大胆删除，更多的展示归纳后的重点阐述。整理文字的同时，图片的收集和整理也必不可少，最好为高像素的图片素材。

三、设计幻灯片内页

幻灯片内页主要以文字、图片为主。当文字比较多时，需要合理使用项目符号、突出字样、行间距等。合理的使用图片，能够打破文稿的单调和枯燥，增加页面美感并很好的表达文字间的逻辑关系。

四、设置幻灯片动画

适当的使用动画，可以增强幻灯片的表现效果，更好的抓住观众眼球。PPT中的动画纪要考虑动画本身的变化，也要考虑动画对于周围环境的影响，同时还要考虑前后关系的影响、PPT的背景、演示环境是否协调。

五、预览幻灯片效果

全部完成后，我们就可以预览一下幻灯片的实际放映效果了，并且对不满意的地方进行微调。

以上就是小编今天要讲的几个技巧，感觉掌握吧！

九江新闻网讯（黄海莉）9月26日至9月30日，全国第三届小学青年教师语文教学观摩活动在金城兰州成功举办。10月11日下午，兴中学校黄海莉老师在教研会上结合自己在外出学习中的所见、所思、所得，从三个方面做了主题分享。

首先她认为老师要有学习观，要把学习作为终身习惯，这样的教育才能与时俱进。她说，这次国青赛，有来自全国各省的32名小学语文教师，在这场全国顶级赛事中同台竞技，尽显教学风采。 作课的老师，都在30到45岁之间，属于专业成长的成熟期。无论是教材解读力、教案创新力，还是课堂调控力、教学驾驭力，他们都显示了很高的综合素养，东西部课堂教学差异缩小。其表现也各有千秋，理性感性，睿智幽默，庄重温和，风格特色各异。

更值得一提的是，统编教材各地只使用了三年级，在没有教学参考和教学资源的情况下，他们准确把握课程标准、统编教材新理念，为全国的小学老师起到了一个导向作用；课前每位老师只有10分的师生交流时间，但他们神定气闲，信手拈来，教学素养、专业成长非一日可为，让人感受到了学习的重要和紧迫。其次，就是要了解儿童心理，站在学生的心理角度去和学生对话。如天津董军老师执教的《大自然的声音》，重庆张栎钧老师执教的四上第八单元习作《我的心儿怦怦跳》等，他们能站在儿童的角度，与学生一起走进文本，学习文本，然后结合自己的生活体验，把文本学习得既有感又有得。教学手段和载体要有效。随着科技的发达，板书、PPT、视频等应该简明和实用，花里胡哨的教学手段和视频不能提高课堂效率。如九江双峰小学的江海花老师执教的习作教学《围绕中心意思写》，江老师利用简短词语组激发学生想象这组词语集中表达的中心意思，通过ppt和声音，一下子激发了学生的学习兴趣，无疑导入的有效是课堂成功的一半。

操千曲而后晓声，观千剑而后识器。语文教学要举三反一，从众多的语言材料中获取学习语文的方法、策略，从而归纳领悟出学习语文的规律。教学也理应如此，批判的吸收，从众多的优秀课例中，寻求适合自己的，又适合学情的独特的教学策略与方法。