CCIIP实验室2022级研究生李文迪同学（2022年9月入学，导师：魏巍）论文“TREA: Tree-Structure Reasoning Schema for Conversational Recommendation”及2019级本科实习生袁立凡和张一驰同学（导师：魏巍）论文“Bridge the Gap Between CV and NLP! An Optimization-based Textual Adversarial Attack Framework” 被第62届自然语言处理领域顶级国际会议（ACL2023）分别作为main conference及findings长文全文录用。第62届国际计算语言大会（The 61st Annual Meeting of the Association for Computational Linguistics）将于2023年7月9日-7月14日在加拿大多伦多市召开。ACL是中国计算机学会CCF推荐的A类国际学术会议，在相关领域享有较高学术声誉。
(1) Wendi Li, Wei Wei*, Xiaoye Qu, Xian-Ling Mao, Ye Yuan, Wenfeng Xie and Dangyang Chen. TREA: Tree-Structure Reasoning Schema for Conversational Recommendation // The 61st Annual Meeting of the Association for Computational Linguistics (ACL2023)，Toronto，Canada.
内容简介：对话式推荐系统（CRS）旨在通过对话及时捕获用户动态兴趣，并生成与之匹配的推荐回复。近期对话推荐研究中，不同外部知识（尤其是知识图谱）被纳入CRS以加强对对话背景的理解。多数工作仅对提及实体进行了简单融合，而其他少数基于推理的模型则主要依赖于简单结构（如线性结构（如图1（1））或固定层次结构如图（2）），而忽略了外部知识中语句间复杂逻辑关系。针对上述问题，我们提出了一种名为TREA的树状结构推理方法，通过构建多层次可扩展的树状结构用于结构关系推理，以描述提及实体间因果关系，并结合历史对话生成合理且合适的推荐回复。在已有公共CRS数据集上实验显示TREA较目前已有SOTA基线模型具有更优性能。
图1 会话推荐场景（不同推理结构）：在上述例子中，实体用红色标记，左上角的数字对应于推理结构中的数字。(1)线性结构；(2)固定层次结构（历史-预测），其中所提及实体实际在同一层次上；(3) TREA中多层级结构
图2 TREA模型图
(2) Lifan Yuan#, YiChi Zhang#, Yangyi Chen# and Wei Wei*. Bridge the Gap Between CV and NLP! An Optimization-based Textual Adversarial Attack Framework. // The 61st Annual Meeting of the Association for Computational Linguistics (Findings of ACL2023)，Toronto，Canada. (#本科实习生)
内容简介：虽然深度学习技术已在不同任务上取得了成功，但对于带有小扰动的对抗样本鲁棒性仍显不足。目前，计算机视觉领域对于基于优化的对抗攻击方法研究较多，但文本具有离散性，因此很难在NLP领域直接利用CV领域优化方法进行对抗攻击。针对上述问题，我们提出了一种统一框架，其能有效将现有基于优化的视觉对抗攻击方法扩展到文本对抗样本构造上。具体来说，在该框架中我们将基于梯度优化的干扰向量加入嵌入层，并在前向传播过程中进行放大，然后利用Masked Language Model Head解码对应扰动的隐层表示，以获取潜在对抗样本。同时，我们提出一种名为Textual Projected Gradient Descent（T-PGD）的攻击算法对该框架进行实例化。在实验中发现，T-PGD算法可以使用代理模型的梯度信息优化扰动。因此，T-PGD算法在更具挑战性的基于决策的黑盒攻击（decision-based attack）场景中，我们利用三个基准数据集对多个模型进行全面测试以评估T-PGD。实验结果显示，即使相较于SOTA的score-based强基线方法相比，T-PGD也能取得更好性能，并生成更加流畅和语法正确的对抗样本。代码/数据已开源：https://github.com/Phantivia/T-PGD。
