2018 EMNLP研习营：NLP编程艺术与科研实践

本讲义是《自然语言处理讲义》的一部分，由三位来自AllenAI的研究专家Joel Grus、Matt Gardner和Mark Neumann合作编写，发表于EMNLP 2018年。他们共同探讨如何在自然语言处理（NLP）研究中有效地编写代码，特别是在原型开发阶段和实现可复用性。 首先，作者分享了他们各自的角色。Matt Gardner作为AllenNLP的原始架构师，同时也是NLPHighlights播客的主持人，他将引导读者了解如何在NLP研究中构建良好的开发流程。Mark Neumann是研究工程师，他协助构建了AllenNLP和其前身DeepQA，并负责了许多模型的演示实现。 Joel Grus则是另一位研究工程师，他在“我不喜欢笔记本”、“Tensorflow中的FizzBuzz”以及《数据科学入门》等项目中广为人知。他将重点介绍如何编写代码来支持科学研究和可重复实验，强调的是代码设计对科研质量的重要性。 课程内容包括以下几个部分： 1. **代码编写策略**：在原型开发阶段，讲解如何写出易用且便于实验调整的代码，以便快速迭代和优化模型。 2. **开发良好过程**：提供实用的开发流程建议，确保代码组织结构清晰，便于团队协作和后期维护。 3. **可复用代码设计**：通过案例研究，如一个词性标注器，展示如何编写可以独立复用的模块和组件。 4. **预先假设的技能**：假定读者已经掌握了现代神经网络NLP的基础知识，以及Python编程语言的运用。 5. **区分好与坏的科学方法**：讨论科研伦理和科学实践，强调数据处理、实验设计和结果报告的透明度。 6. **今日所学**：学员将在课程中学到如何编写有利于科学发现和可验证实验的代码，包括如何封装和文档化代码，以提高研究成果的可信度。 本讲义旨在帮助NLP研究人员提升他们的编程技巧，使他们在研究过程中能够编写出高效、可维护且符合科学标准的代码，从而推动自然语言处理领域的进步。