ACL 2020终身成就奖花落爱丁堡篇章分析女教授，时间检验奖表彰25年前经典

新智元报道

来源：ACL 2020

编辑：舒婷

【新智元导读】北京时间7月6日晚，ACL颁布了终身成就奖、杰出服务奖以及时间检验奖。终身成就奖颁给了爱丁堡大学的教授Bonnie Webber，杰出服务奖颁给了多伦多大学的Graeme Hirst教授，时间检验奖项则分为1995Winners和2010Winners，颁给了四篇论文。

北京时间7月6日，ACL 颁布了终身成就奖、杰出服务奖以及时间检验奖。

毕业于哈佛，曾任教于爱丁堡大学的教授Bonnie Webber获得了终身成就奖，曾任ACL财务总管的多伦多大学的Graeme Hirst教授获得了杰出服务奖。时间检验奖项则分为1995Winners和2010Winners，颁给了四篇论文：

时隔两年，爱丁堡信息学院再添一位ACL终身成就奖

ACL组委会说，终身成就奖颁给 Bonnie Webber，以表彰她在篇章分析研究领域的卓越成就 。这位优秀的计算语言学家出生于1946年，是爱丁堡大学语言、认知和计算研究所的名誉教授。值得一提的是，Bonnie Webber和2018年ACL终身成就奖得主Mark Steedman属于一个学院——爱丁堡信息学院。

由于此次ACL采用线上虚拟会议的模式，因此Bonnie Webber在家中发表了终身成就奖的演讲，鼓励年轻学者投入科研，解决领域内许多未解决的问题。

1978年，Bonnie Webber在哈佛大学拿到博士学位后，和Bill Woods在Bolt Beranek and Newman一起工作。之后她被聘任为宾夕法尼亚大学教授，在宾夕法尼亚工作了许多年。直到1988年，她搬到爱丁堡，并于2016年从爱丁堡大学退休，同时她也被被学校聘请为名誉教授。

Bonnie Webber也备受计算机语言学会的青睐。1980年，Bonnie Webber担任计算机语言学协会主席，2012年被授予ACL Fellow，以表彰她在语篇结构和基于话语的解释方面的重大贡献。除此以外，1991年Bonnie Webber成为AAAI的Fellow，2004年她当选爱丁堡皇家学会院士。

同时，她还参与编写了《计算机图形动画与控制》、《话语理解要素》、《人工智能读本》和《自然语言处理读本》几本计算机语言学相关的书籍。

Bonnie Webber获奖引发热议，许许多多研究人员通过推特对她表达祝贺，并赞赏她在计算机语言学的成就。

杰出服务奖颁给ACL财务总管

杰出服务奖的获得者是多伦多大学的计算机科学教授Graeme Hirst。

Graeme Hirst的研究领域是计算语言学和自然语言处理。他曾获得加拿大人工智能协会颁发的两项卓越教学奖和终身成就奖。

2008年-2017年间，Graeme Hirst担任了ACL的财务总管，并在2019年被授予ACL Fellow。ACL主席Hinrich Schutze在颁奖时表扬了Graeme Hirst为ACL所做出的的贡献，让ACL近些年的财务十分稳定，并且保证了之前线下大会的顺利开展。

时间检验奖：无论时隔25年或是10年，经典论文依旧熠熠生辉

1995Winners

1、Centering: A Framework for Modeling the Local Coherence of Discourse.

https://www.aclweb.org/anthology/J95-2003.pdf

这篇文章探讨了语篇中注意焦点、指称表达方式的选择和话语的连贯性之间的关系。在此基础上，提出了一个中心理论框架和初步理论，旨在对注意力状态的局部成分进行建模。本文考察了局部连贯与指称用语选择之间的相互作用；本文认为，在特定的注意状态下，连贯性的差异在一定程度上对应着不同类型指称的推理要求。结果表明，中心理论模型的注意状态属性可以解释这些差异。

获奖理由：该论文是计算对话（computational discourse）领域非常重要的一篇论文，融合了理论语言学，心理语言学和形式语言学，其理论在现今仍然影响远大。

2、Unsupervised Word Sense Disambiguation Rivaling Supervised Methods.

https://www.aclweb.org/anthology/P95-1026.pdf

这篇论文提出了一种用于语义消歧的无监督学习算法。当在无注释的英语文本上进行训练时，该算法的性能，可以与需要费时费力注释的有监督技术相媲美。该算法基于两个强大的约束：单词、词组在每个语篇中往往只有一种意义。测试中，这个算法精度超过96%。

获奖理由：该论文将语言学假设与无监督学习相结合，是一种开创性的工作。同时，展示了统计范畴的数据驱动技术在NLP中的强大作用。监督学习和非监督学习，标记数据与否，都是现今仍然流行的讨论主题。

2010Winners

3、Distributional Memory: A General Framework for Corpus-based Semantics.

https://www.mitpressjournals.org/doi/pdf/10.1162/coli_a_00016

这篇论文提出了一个分布记忆框架，作为「一个任务，一个模型」方法的替代方法，这个框架可以在任务之间共享相同的分布信息。广泛的测试表明，针对同一问题，分布式记忆实现的性能更具竞争力，并且是可靠的。

获奖理由：该论文对于提倡词汇语义的通用目的学习，是一项开拓性研究。并且，文中提出了自监督预训练方法（就像word2vec、BERT中应用的）。促进了计算语义学、认知建模和语言学理论的严谨性。

4、Word Representations: A Simple and General Method for Semi-supervised Learning.

https://www.aclweb.org/anthology/P10-1040.pdf

这篇论文以现有的有监督NLP系统为例，利用无监督词表征作为额外的词特征，以提高准确率。作者评估了三种方法对NER和chunking的影响，使用接近SOTA的监督baseline，发现三个词表征法都提高了这些baseline的准确性。通过结合不同的单词表征，作者发现了进一步的改进。

获奖理由：该论文将向量表征用于自然语言处理任务，引发了学术界巨变，具有里程碑意义。在提出词嵌入的思想上早了大约五年的时间，先于word2vec、Glove等论文。论文的思想在如今的NLP占据中心地位，并在多种NLP任务上做了彻底、细致的评估，得到了出乎意料的结果。