一 NLP相关资源站点
Rouchester大学NLP/CL会议列表
一个非常好的会议时间信息网站，将自然语言处理和计算语言学领域的会议，按照时间月份顺序列出。NLPerJP
一个日本友好人士维护的网站，经常对NLP近来热点进行评论，可以受到启发。初学者如何查阅自然语言处理（NLP）领域学术资料
初学者如何查阅NLP领域学术资料，作者为清华大学计算机系助理研究员刘知远。另外，刘还曾经翻译过《机器学习那些事儿》一文，原文刊登在ACM Communication上，刘翻译后发表在计算机学会通讯上。机器学习那些事儿。
另外，一个问题是，文本如何进行特征选择，特别是对于摘要任务中的以句子为单位时，如何进行向量空间表示，可以参考这一篇，实在不行的话，可以逐个尝试，从tf到tf*idf，从bool到完整，待尝试。52nlp
“我爱自然语言处理”网站，属于52系列，上面有适合入门时候的资料。主要包含两块内容，“资源”和“求职招聘”以及“课程图谱”。
二 Summarization摘要任务
看过论文就知道，在Summarization摘要任务上近些年的领军任务主要有：
-
万小军
此人生于1979年，至今仅35岁不到，本科硕士博士都在PKU完成。其硕士论文：一个用于中文新闻主题检测与追踪的原型系统
博士论文：基于文档结构关系的相似搜索与自动摘要技术
2000年7月在北京大学信息管理系获理学学士， 2003年7月在北京大学计算机科学技术系获理学硕士学位，2006年7月在北京大学信息科学技术学院获博士学位，博士论文获北京大学优秀博士论文奖。同年加入北京大学计算机科学技术研究所任助理研究员，2007年8月晋升为副研究员。2008年获北京大学宝洁奖教金，同年入选教育部新世纪优秀人才支持计划与北京市科技新星计划(B类),2010年获北京大学王选青年学者奖。
此人在Summarization任务上07年逆天，一次性在高水平会议上发表6篇论文。
目前已晋升为教授(研究员)。领导ICST北大计算技术研究所的LCWM(语言计算与互联网挖掘研究组)。
上述研究组在Summarization任务下成就显然。LiTao
中文名大概是 李涛，目前供职于FIU(佛罗里达国际大学)，在Summarization任务上也是逆天存在，超过20+高水平论文。Li Wenjie
目前供职于 香港理工大学PolyU of HK。夏老师曾在04~06在港中文做过研究，与其有过合作。
三 我对Summarization任务的思考
-
MDS方向跨学科
首选，(Multi-)Document Summarization任务是跨学科的。从几个方面来看。第一，从处理的数据对象Data Object来看，属于Document 或者Text，属于对语言的载体-文本进行的处理，而且是用一些偏统计的方法，因此属于NLP/CL大类。此类相关的高水平会议不少。第二，从实现的方法Method来看，使用了一些包括图论，以聚类分类为代表的机器学习方法，因此可以划归到ML/AI大类。第三，从“数据”流Data Flow来看，在数据流上属于一种逆向生成，即从原始大量数据中，在有限的篇幅侠找出“重要且有价值”的信息，因此可以划归到DM大类。第四，从实用的大环境Application Envrionment来看，随着现今互联网浪潮，对互联网上的信息处理具有实际的应用价值，因此可以划归到Web大类。
-
怎样出成果
首先必须感叹，上述三人的勤奋与努力，在Summarization任务上著作等身。但作为一个具有逻辑思维的人，必须能看到事物的另一面。第一，科学研究并不是一蹴而就的。如果”论文数量“来看，Summarization任务出现了那么多论文，但从“应用”角度看，除了被Yahoo收购的应用Summly之外，并没有出现有价值的应用。科学论文的的评价标准时有限的，例如在Summarization任务中，自从Lin在2004年推出ROUGE标准，如果想让同行认可，就必须采用其标准。于是后来人前赴后继地陷入追求ROUGE得分高的目标中。固然，ROUGE得分高至少能代表方法一定程度上是有效的。但是否ROUGE高就绝对说明方法是最优的呢?完全不是。我猜测，从评审人或者Reviewer的角度来看，ROUGE得分只是一个载体，或者说是入门条件，当达到入门条件之后，他会考量你的工作是否介绍或者让人启发出“新的想法或观点”。学术活动例如国际会议的召开，总是求新的，要么是“新结果”，你的方法与别人很类似，或者稍加改进，然后从结果上体现出来有进步。要么是“新方法”，如果结果满足入门条件之后，从方法上完全与人不同，也算新，不过这时候需要一定程度的“自圆其说”，能够说明在结果上不太具有优越性但是在方法上足够有新意。
第二，评测标准真的对么首先，ROUGE的出现实现了在Evaluation上从“主观评测”到“量化”的飞跃。在04年之后的若干年，这种便于量化的方法为很多研究者带来了便利，更确切来说，为相关研究者带来“方向”。人们想做一件研究，却不太明白方法究竟好不好。如果有一个量化准则存在，同行之间也就少了猜忌。但是，从04年到14年，这种准则的有效性实际上是临近瓶颈的。例如在GenericMDS任务上，至今最优的方法在ROUGE-1上可以达到0.395+。而背后的事实是，有人做出了理论上的推测，即便是人工摘要，由于问题本身存在不太一致的主观性，不太可能超过0.41。因此，对于源于不一致主管的工作任务来说，在量化评测下，达到较为优秀即可，在其他方面说明“自圆其说”优越性即可。