316.《表格识别技术研究进展》，2022.06
三种主流技术方向：
（1）自底向上：：先检测单元格，然后确定表格线
（2）自顶向下：先检测表格线，然后确定单元格之间的关系
（3）encoder-decoder：image->html/latex
相关资料：
医疗纸质文档电子档OCR识别：http://www.cips-chip.org.cn/2022/eval4
推荐个离线OCR工具bibiocr(上)：https://mp.weixin.qq.com/s/yVnSa7m1BQ7HOHeVK3i3hA
好未来的比赛
315.federated learning的两篇文章：
《When Federated Learning Meets Blockchain：A New Distributed Learning Paradigm》，用区块链技术解决联邦学习的中心化结构问题。中心挂了，系统就会挂。
《Swarm Learning for decentralized and confidential clinical machine learning》，发表在nature上的文章。
314.《Unified Structure Generation for Universal Information Extraction》
整体上采用了encoder-decoder架构，基于transformer模型，实际中预训练模型采用了ernie3.0。用一个统一的架构实现了实体识别，关系抽取，属性抽取，观点提取，事件抽取等各个理解任务。 生成的范式具有极大的灵活性，类似的思想也有很多工作。比如《A Unified Generative Framework for Various NER Subtasks》，该工作用一个生成模型解决NER的各个子任务，在此之前需要单独建模。在中文纠错方向上，由于错误类型较多，比如包含拼写纠错，语法错误等，理论上，一个生成模型可以解决各种设定下的具体任务，而不需要多个模型设计。大概两年前，复现Magi的时候，同组同学基于预训练模型，采用生成的思路做SPO抽取，取得了比理解范式下的模型更好的结果。
313.《Clinical Prompt Learning with Frozen Language Models》
Prompt Learning 在医疗文本分类中的应用。
312.《Context Enhanced Short Text Matching using Clickthrough Data》，利用点击数据做短文本匹配的上下文增强。
311.《PLOME: Pre-training with Misspelled Knowledge for Chinese Spelling Correction》
主要的亮点有三处：
（1）预训练拼写纠错语言模型
（2）多特征融合：character（字形）+position（位置）+phonic（拼音，也许可以进一步考虑发音特征）+shape（笔画）
（3）预训练任务设计：不同于传统的mlm，只预测单个字；该工作中同时预测单字+拼音
310.《Corpora Generation for Grammatical Error Correction》
（1）通过找到维基百科的编辑历史来解决
（2）通过back translation的方式来解决
309.《Towards Unsupervised Dense Information Retrieval With Contrastive Learning》
结论：具体对比学习方法在NLP具体任务上实践，没有显著创新贡献。
数据增强方法：
(1)inverse cloze task
(2)independent cropping
(3)additional data augmentation
负例构建方法：
（1）negative pairs within a batch
（2）negative pairs across batches
308.《Improving language models by retrieving from trillions of tokens》，DeepMind
基于特殊设计的交互组件，通过检索式的方法强化PLM的训练。
307.《Document-level Relation Extraction as Semantic Segmentation》，陈华钧老师组的工作
引用前一段时间的个人微信：
大家都在聊《Pix2seq: A Language Modeling Framework for Object Detection》，发一篇多年前第一次做NER时的一个想法，刚查了下，今年1月的文章，《Named Entity Recognition in the Style of Object Detection》。
在解决问题的范式上，CV和NLP是相通的。
306.《Med-BERT: pretrained contextualized embeddings on large- scale structured electronic health records for disease prediction》
相比其他医学预训练模型，该模型的特色是对ICD编码进行表征。
305.《Named Entity Recognition for Entity Linking》，EMNLP2021
打通NER和EL的关系，核心想法是：如何利用NER得到的Type信息？
304.《Few-Shot Named Entity Recognition_A Comprehensive Study》
文章总结了三种做few-shot ner的方式，并提出了第四种self-training的方式。
具体self-training的思路如下：
303.《Learning Rule Embeddings over Knowledge Graphs: A Case Study from E-Commerce Entity Alignment》， WWW2020
相关工作：AMIE
自动化Rule Learning。
302.《Lattice-BERT: Leveraging Multi-Granularity Representations in Chinese Pre-trained Language Models》
301.ML中的数据验证想法：https://github.com/zhpmatrix/PaperReading/edit/master/README.md
300.《RadGraph: Extracting Clinical Entities and Relations from Radiology Reports》， 放射报告的结构化能力抽取
299.对比学习在NLP中的应用:
相关参考：
2.利用Contrastive Learning对抗数据噪声：对比学习在微博场景的实践
3.对比学习（Contrastive Learning）:研究进展精要
298.《DiaKG: an Annotated Diabetes Dataset for Medical Knowledge Graph Construction》，CCKS2021
糖尿病知识图谱的构建。这篇文章的主要亮点：
（1）糖尿病知识图谱schema的设计：实体和关系
（2）标注流程设计。
297.《Pre-trained Language Model for Web-scale Retrieval in Baidu Search》，预训练模型在百度搜索的应用，印象中Google Blog也有一篇工作是讲述BERT在Google Search中的应用。
向量压缩和量化是工程实践中很关键的技术点。
296.《Wordcraft: a Human-AI Collaborative Editor for Story Writing》，Google Research
人机协作的Editor，一个完整的事情。
295.《A Data-driven Approach for Noise Reduction in Distantly Supervised Biomedical Relation Extraction》
multi-instance learning to noise reduction.
294.《CLINE：Contrastive Learning with Semantic Negative Examples for Natural Language Understanding》
利用对抗样本和对比样本提升PLM的鲁棒性。基于MLM，构建额外两个损失函数，预训练一个语言模型。整体上，个人收获不是很大的一个工作。
293.《AliCG: Fine-grained and Evolvable Conceptual Graph Construction for Semantic Search at Alibaba》
阿里概念图谱的工作，利用search log构建一个concept graph（基于UC Browser的log），可以用在多个应用场景中，如：
（1）text rewriting
（2）concept embedding
（3）conceptualized pretraining
在之前，阿里图谱相关的工作包括但不限于：AliCoCo（认知图谱）, AliMe等。
292.《ABCD：A Graph Framework to Convert Complex Sentences to a Covering Set of Simple Sentences》
解决问题：将一个复杂的句子拆分成多个简单的句子。
方法：传统的方法是将问题建模为一个seq2seq的问题，但是在该工作中，借助graph的方式，取得不错的效果。
评价：problem setting有意思。
291.《COVID-19 Imaging Data Privacy By Federated Learning Design: A Threoretical Framework》, 联邦学习在cv领域的一个工作
290.《Large-Scale Network Embedding in Apache Spark》，KDD2021，在腾讯的两款游戏中有上线哦
289.《AliCoCo_Alibaba E-commerce Cognitive Concept Net》，短文本相关的技术
288.《A Neural Multi-Task Learning Framework to Jointly Model Medical Named Entity Recognition and Normalization》
同样的思想，基于multi-task的方式建模ner和norm两个任务。
287.《A transition-based joint model for disease named entity recognition and normalization》
老文章了。讨论的想法是医疗领域针对疾病，做实体识别和norm的联合建模。作为医疗NLP领域的三大基础任务：ner/nre/norm，采用jointly的方式，one model to rule all of them，也许是一个想法。
286.《A Survey on Complex Knowledge Base Question Answering》
主要综述两种KBQA的解决方案：分别是semantic-parsing based methods和information-retrieval based methods。
future中提到的一个有意思的观点是：要做Evolutionary KBQA，简而言之，要将用户的feedback带入到系统的优化中。
285.病历相似性（基于电子病历数据）
目前看到的主流思路是：梳理出EMR的各个维度，然后按照维度计算每个维度的相似性，每个维度都有自己的相似度计算方式，之后按照加权的方式求解。
个人想法：
（1）纯文本的方式。计算tf-idf（ES based solution）
（2）计算表征。但是由于EMR文本较多，医学文本对于精确性要求比较高，因此需要hierarchical representation fusion的思想。（不管怎样，首先需要一个好的encoder）
《Measurement and application of patient similarity in personalized predictive modeling based on electronic medical records》
284.《A Unified Generative Framework for Various NER Subtasks》，邱锡鹏老师组的工作
主要内容：用seq2seq(bart)解决三种常见ner的case（flat ner + nested ner + discontinuous ner）
想法：
（1）在之前的工作中，围绕这三种情况，有很多的paper。但是这篇文章采用seq2seq来解决，思路上之前也已经有相关工作了，但是这篇文章主要采用bart作为plm。毕竟seq2seq是万能的，哈哈。
（2）围绕bert做的中文nlp比较多，为啥？原因之一是因为bert有中文版，但是想用一下bart，就需要自己训练一个中文的bart了。每当这个时候，就不禁想到英文世界的话语权是怎么来的，到底意味着啥？
（3）技术创新个人认为谈不上：seq2seq(plm:bart)+ner(是一个体力活儿，不过还是要做很多工作的)
283.《SMedBERT: A Knowledge-Enhanced Pre-trained Language Model with Structured Semantics for Medical Text Mining》,丁香园的预训练语言模型
知识增强预训练语言模型。研究了丁香园，联合阿里和东南大学做的工作，丁香园利用5G的医疗领域中文文本+内部的知识图谱，通过巧妙的模型设计，得到的模型能够显著提升NER/NRE等上游任务的指标。我们可以利用开源爬取的数据(目前量<5G)，同时结合OMAHA，做类似的工作以支持上游模型。
282.《Modeling Joint Entity and Relation Extraction with Table Representation》,EMNLP2014
人傻就要多读书，比如，在2014年的工作中，已经用table的方式解决joint问题了，如下：
四篇information extraction相关的工作：
281.《Read, Retrospect, Select: An MRC Framework to Short Text Entity Linking》
280.《Integrating Graph Contextualized Knowledge into Pre-trained Language Models》，小样本信息抽取相关的工作
279.《A novel cascade binary tagging framework for relational triple extraction》
278.《Entity-Relation Extraction as Multi-Turn Question Answering》
277.《Lifelong Learning based Disease Diagnosis on Clinical Notes》，腾讯天衍实验室的工作，TODO
276.《PRGC: Potential Relation and Global Correspondence Based Joint Relational Triple Extraction》，腾讯天衍实验室的工作，TODO
275.《MIE: A Medical Information Extractor towards Medical Dialogues》
annotate online medical consultation dialogues in a window-sliding style.
274.《A Survey of Data Augmentation Approaches for NLP》
比较新的NLP数据增强文章，按照任务类型划分增强的方式。
273.《HyperCore: Hyperbolic and Co-graph Representation for Automatic ICD Coding》， ACL2021
ICD编码映射，医疗NLP的特色任务。
ICD的特点：
（1）层次
（2）共现(因果)
主要方法：GCN的应用
272.《Few-Shot Named Entity Recognition: A Comprehensive Study》，Jiawei Han组的工作
NER中的少样本问题，三种解决方案：
（1）基于proto的few-shot learning方法（此前在研究文本分类的few-shot问题时，该方向上的工作也一直比较受欢迎）
（2）带噪音，有监督预训练
（3）伪标签，自训练
271.《Summarizing Medical Conversations via Identifying Important Utterances》，COLING2020
主要内容：从医疗问答中抽取摘要。
数据：从春雨医生爬取
方法：抽取式摘要
270.《Enquire One’s Parent and Child Before Decision_ Fully Exploit Hierarchical Structure for Self-Supervised Taxonomy Expansion》，腾讯，刘邦
分类树扩展的工作，用于腾讯的疫情问答场景。刘邦的博士论文可以一读。
269.Federated Learning
《Privacy-Preserving Technology to Help Millioins of People_Federated Prediction Model for Stroke Prevention》
FL使用传统模型，也是目前主要做的工作
《Empirical Studies of Institutional Federated Learning For Natural Language Processing》
FL使用TextCNN的经验性工作
《FedED: Federated Learning via Ensemble Distillation for Medical Relation Extraction》
内容：FL应用于医疗关系抽取
结果：实现了隐私保护，但是指标下降
核心：在通信，不在计算
科普：《Introduction to FL》，本质上还是分布式学习的一种。
结论：除非必要，否则目前在工业界推进的ROI应该不算高。不单纯是一个算法问题，还是一个架构问题。但是在医疗行业目前现状下（数据孤岛现象），仍有必要关注
268.《MedDG: A Large-scale Medical Consultation Dataset for Building Medical Dialogue System》，Xiaodan Liang等
构建了一个中文医学对话数据集，特点是：标注了每个对话可能涉及的实体。
基于该数据集，定义了两个任务：
（1）next entity prediction。文章中用multi-label classification的方式实现
（2）doctor response generation。标准的文本生成类任务+融合任务（1）中的实体信息（最简单的方式：直接concat实体）
其他：ICLR2021要基于该数据集举办一个比赛，可以关注。
想法：其实是对生成领域强化对实体信息的利用。传统做生成的同学有一些对应的方式强化对实体信息的利用。不过，文章中的建模方式更偏intent识别。
《MedDialog: Large-scale Medical Dialogue Datasets》，EMNLP2020，这篇工作也是构建了一个中文医疗对话数据集，不过没有实体信息。
267.《BioBERT：a pre-trained biomedical language representation model for biomedical text mining》
预训练任务没有做任何改进，但是在下游的三个理解任务上均取得了提升，比较适合工业界操作的工作。
补充：《Conceptualized Representation Learning for Chinese Biomedical Text Mining》，阿里巴巴，张宁豫
266.《Building Watson：An Overview of the DeepQA Project》，2011年，IBM Watson的DeepQA项目，具体实现细节
讨论了架构和工程实现的问题，其中的特色在于对证据的重视。
265.《Strategies For Pre-training Graph Neural Networks》，ICLR2020
主要内容：预训练图的工作
motivation：node的pretrain和graph的pretrain都要；之前的一些工作只考虑node或者graph的单个类型的pretrain
训练任务：
（1）node：context graph的定义，学习context；attribute mask任务 （2）graph：supervised graph-level properties prediction + structural graph similarity prediction
基础模型： GIN
直观感受：中规中矩；目前还没看到预训练图的工作应用于电商领域等
264.《A User-Centered Concept Mining System for Query and Document Understanding at Tencent》，KDD2019
腾讯刘邦的工作，刘邦的博士论文也有share，主要做概念挖掘，偏向于工程系统的工作。相关文章
263.《Read, Retrospect, Select: An MRC Framework to Short Text Entity Linking》
和《AutoRegressive Entity Retrieval》，ICLR2021一块儿读。
262.《CRSLab：An Open-Source Toolkit for Building Conversational Recommender System》
CRS系统的设定：
261.《Open Domain Event Extraction Using Neural Latent Variable Models》
开放域的事件抽取。（个人对隐变量模型不是很了解）
260.《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》，KDD2018
259.《AutoRegressive Entity Retrieval》，ICLR2021
用生成的方式（seq2seq）做el，entity disambiguation， page retrieval任务。将传统分类任务转化为一个生成任务是问题解决范式的转变，很有意思的工作。在自己的博客，MRC is all you need?中讨论了将很多经典NLP任务用MRC的方式来做。
258.《Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation》，KDD2019
基于user-item-query构建的图，三种类型的边：search,click, guide，用于淘宝意图检测。
257.《Heterogeneous Graph Attention Network》，WWW2019
异构图+gat，文章写作思路很赞。目前，我们正尝试将该工作用于销量预测与归因分析。
256.《POG：Personalized Outfit Generation for Fashion Recommendation ai Alibaba iFashion》，KDD2019
阿里dida平台建设，compatibility+personality都要考察。
相关PR稿(dida也是从luban演化而来)：https://hackernoon.com/finding-the-perfect-outfit-with-alibabas-dida-ai-assistant-71ba7c9e8cfa
255.《Spam Review Detection with Graph Convolutional Networks》,CIKM2018 Best Paper
重新翻开这篇文章，方法如下：
文章要解决的问题是垃圾评论检测，构建了两个图。第一个图：用户-评论-商品图，是异构图；第二个图：评论-评论图，是同构图。分别用异构GCN和GCN学到各自的表征，做节点分类工作。
整体上，文章的思路和这篇《Abusive Language Detection with Graph Convolutional Networks》非常相似，但是二者都没有互相引用。这篇文章做的是Tweet分类（三分类），分别构建两个图。第一个图：用户-用户的同构图；第二个图：用户-Tweet的异构图。针对同构图，用node2vec去学到表征（node2vec不是仅仅适用于同构图，不过效果需要考察）；针对异构图，用gcn去学到表征。表征组合（embedding+n-gram）+分类器做节点分类。
对比二者，整体上的技术思路相似，不过显然后者在图构建上更加的自然。
254.《Graph Neural Networks：Taxonomy, Advances and Trends》，最新的GNN相关的综述文章
253.《Understanding Image Retrieval Re-Ranking：A Graph Neural Network Persperctive》
有意思的工作，作者提到：
（1）Re-ranking can be reformulated as a high-parallelism Graph Neural Network (GNN) function.
（2）On the Market-1501 dataset, we accelerate the re-ranking processing from 89.2s to 9.4ms with one K40m GPU.
252.《Why Are Deep Learning Models Not Consistently Winning Recommender Systems Competitions Yet?》，RecSys2020
非常棒的文章，多年以前自己就很好奇了。
251.《Enriching Pre-trained Language Model with Entity Information for Relation Classification》
250.《Diverse, Controllable, and Keyphrase-Aware: A Corpus and Method for News Multi-Headline Generation》
新闻标题生成
249.《CharBERT: Character-aware Pre-trained Language Model》
248.《