ACL 2019錄取結(jié)果今天放榜了！就投稿數(shù)量來說，這是歷史上最火的一屆NLP頂會，有效投稿達到2694篇，相比去年的1544篇增加了75%。此外，本屆ACL的評審質(zhì)量也受到頗多吐槽。你的論文入選了嗎？

今天，ACL 2019 論文接收結(jié)果終于放榜！

盡管錄取率尚未公布，不過就投稿量來說今年 ACL 大會規(guī)模是史上最大的，錄取難度應(yīng)該不小。

2018-2019 對于 NLP 領(lǐng)域無疑是一個突破性進展的時期，作為 NLP 領(lǐng)域的學(xué)術(shù)頂會，今年 ACL 的論文備受關(guān)注。

推特上已經(jīng)有許多作者歡欣鼓舞自己的論文 “中了！” 比如加州大學(xué)圣芭芭拉分校王威廉老師所在的自然語言處理組有 9 篇論文被錄取。王威廉也是 ACL 19 機器學(xué)習(xí)的領(lǐng)域主席。

UC Santa Barbara 自然語言處理組 9 篇論文錄取

本文將列舉一些被接收的論文，供大家參考。

今年以來，幾乎所有 AI 頂會都報告了創(chuàng)紀錄的論文提交數(shù)量，包括 AAAI、ICLR、IJCAI 等等。

NLP 領(lǐng)域今年尤其火爆，ACL 2019 出現(xiàn)了史上最大的增長：論文提交數(shù)量飆升到 2906 篇，其中有效提交 2694 篇，相比 2018 年的 1544 篇，增長了 75%！

下圖顯示了 ACL 在過去 20 年里的論文投稿情況，包括提交數(shù)、評審人數(shù)和 SAC 和 AC 的人數(shù)。

無疑，這是有史以來最火、規(guī)模最大的一次 NLP 會議。

在介紹 ACL 2019 錄用論文之前，讓我們先看看今年 ACL 的一些數(shù)據(jù)。

有效投稿2694篇，中美投稿最多

截止到提交截止日期，ACL 2019 收到了多達 2906 份提交論文。這比 ACL 2018 增加了 75% 以上，是ACL 相關(guān)會議的歷史記錄！

一下是一些基本的統(tǒng)計數(shù)據(jù)：

2906 篇提交論文中，有 120 篇被作者撤回，92 篇因重復(fù)提交、剽竊或不符合提交準則等問題而被拒絕。

送交評審的是一共2694 篇有效論文，包括 1609 篇長論文和 1085 篇短論文。

每篇論文被分配到 22 個領(lǐng)域中的其中一個進行評審。每個區(qū)域由 2-4 名高級領(lǐng)域主席 (SAC) 領(lǐng)導(dǎo)，以及 3-15 位區(qū)域主席 (AC) 協(xié)助。取決于提交論文的數(shù)量，不同領(lǐng)域有 59-319 名審稿人。今年 ACL 的項目委員會共有 2256 人：46 位 SAC, 184 位 AC，以及 2026 位審稿人。

下表顯示了每個領(lǐng)域的提交數(shù)量 (長論文、短論文和總數(shù))。

其中，投稿最多的 3 個領(lǐng)域與 ACL 2018 相同：

信息提取和文本挖掘(占所有有效提交的 9.2%，ACL 2018 的這一比例為 11.5%。不過，由于今年的會議增加了一個 “應(yīng)用” 領(lǐng)域，百分比不完全具有可比性)

機器學(xué)習(xí)(占比 8.2%，2018 ACL 為 7.4%)

機器翻譯(占比 7.7%，ACL 2018 為 8.3%)

此外，對話和交互系統(tǒng)也進入了前 5 大領(lǐng)域。

不過，去年排名第四的文檔分析，今年只排在第 16 位，而去年排名第 14 位的 Generation (去年收到 59 篇投稿)，今年排到了第 5 位，收到 156 篇投稿。

另一個令人驚訝的是語言學(xué)理論、認知建模和心理語言學(xué)，這個領(lǐng)域顯然越來越受歡迎：去年投稿數(shù)是 24 篇，今年增加到 60 篇。

下圖展示了所提交的論文在不同子領(lǐng)域的占比。

論文長度方面，今年的投稿中 60% 是長論文，而去年 66% 是長論文。所以今年短論文更受歡迎。各個子區(qū)域的情況如下：

顯然，短論文比長論文更受歡迎的領(lǐng)域只有一個：應(yīng)用。

這兩種類型的論文在機器翻譯和標記、分塊、語法、句法分析這幾個子領(lǐng)域的數(shù)量接近。

最喜歡長篇論文的領(lǐng)域包括機器學(xué)習(xí)、視覺、機器人多模態(tài)基礎(chǔ)、語音、對話和交互系統(tǒng) (超過 65% 是長論文)。

最后，關(guān)于論文的地理分布，今年 ACL 收到了來自 61 個國家的論文。

只考慮通訊作者的國家的話，不出所料，美國和中國內(nèi)地的投稿數(shù)量領(lǐng)先，投稿數(shù)量分別都超過了 700 篇。英國和德國分別以 129 篇和 126 篇排名第三和第四，日本緊隨其后 (120 篇)。

投稿數(shù)量Top 20的國家/地區(qū)

審稿質(zhì)量好壞參半，沒有rebuttal環(huán)節(jié)

如此巨大的投稿量，審稿質(zhì)量控制又是一大難題。

不過，相比 IJCAI 2019 被吐槽 “宇宙最爛” 的評審質(zhì)量，奇葩審稿太多而登上知乎熱榜，這次知乎上對 ACL 2019 審稿質(zhì)量的討論還比較溫和。

比如，有投稿者表示審稿質(zhì)量很高，“不管是給高分的 reviewer 還是給低分的，說的優(yōu)點缺點都句句在理…… 雖然被拒了但是感覺得到了非常多寶貴的意見。”

一位匿名用戶對ACL 2019審稿質(zhì)量的評價

也有人認為本屆 ACL 審稿質(zhì)量嚴重下滑，比如有人批評：“千篇一律模板回復(fù)，什么實驗不夠詳細、創(chuàng)新不夠，這幾句話復(fù)制粘貼有啥意思？求求你們給意見之前先把文章好好看一下。希望各位 PC 珍視學(xué)術(shù)環(huán)境，不要再扔文章給本科生或者低年級研究生審稿了?！?/p>

另一方面，今年 ACL 審稿取消了 bid paper 的過程，審稿人要審的稿子都是 AC 給分配的，可能被分配到不感興趣的論文；取消了 rebuttal 環(huán)節(jié)，也就是沒有了作者響應(yīng)階段，也沒有公開 review。這些可能是導(dǎo)致部分審稿質(zhì)量不如人意的原因。

不過，ACL 官方對取消 rebuttal 的解釋是：“作者響應(yīng)階段最開始是審稿流程優(yōu)化的產(chǎn)物，后來被證明耗時巨大（不僅僅作者，還包括審稿人與主席的時間），而且起到的作用很有限。因此，比起作者的回應(yīng)，我們決定將更多時間和精力投入在促進項目委員會的內(nèi)部討論上，以確保所有的討論、論文與評審結(jié)果都得到領(lǐng)域主席們的充分關(guān)注。”

ACL 2019錄取論文搶先看

由于今年 ACL 對投稿、評審和引用規(guī)則進行了修訂，其中一項是要求匿名投稿論文在投稿截止日期前的一個月內(nèi)不允許上傳到非匿名預(yù)印本平臺（比如 arXiv）；直到論文評審結(jié)果公布后才可以公開上傳（揭開匿名）。

因此，盡管不少作者宣布自己的論文被接收了，大部分還沒有公開上傳。

下面我們列舉了從社交媒體收集到的一些錄取論文標題，供讀者參考。

1、Gender-preserving Debiasing for Pre-trained Word Embeddings

2、Relational Word Embeddings

3、leveraging explanations for Commonsense Question Answering

4、Unsupervised Bilingual Word Embedding Agreement for Unsupervised NMT

5、NMT with Reordering Embeddings

6、Sentence-Level Agreement for NMT

7、Lattice-Based Transformer Encoder for NMT

8、Heuristic Authorship Obfuscation

9、Celebrity Profiling

10、Bias Analysis and Mitigation in the Evaluation of Authorship Verification

11、Multi-task Pairwise Neural Ranking for Hashtag Segmentation

https://cocoxu.github.io/publications/ACL2019_HashtagMaster.pdf

12、Learning Word and Sense Representations from a Large Semantically Annotated Corpus with LSTMs

13、An Investigation of Transfer Learning-Based Sentiment Analysis in Japanese

14、Fine-grained spoiler detection from large-scale review corpora

15、Evaluating cross-lingual word embeddings using a graph-based metric

16、Massively Multilingual Transfer for NER on 41 languages

https://arxiv.org/abs/1902.00193

17、Unsupervised Neural Single-Document Summarization of Reviews via 18、Learning Latent Discourse Structure and its Ranking

19、Unsupervised Text Classification Leveraging Experts and Word Embeddings

20、Correlating neural and symbolic representations of language

https://openreview.net/forum?id=ryx35Ehi84