nbt论文范文

nbt论文范文

现代社会，如果没有交通，生活方式将会完全改观。然而，全球80%的大都市都逃脱不了交通拥堵的局面，北京也不例外——汽车越来越多、道路越来越堵。申奥的成功，对北京市的交通系统提出了更高的要求：奥运期间，何以应对？

北京工业大学交通研究中心的杨孝宽教授介绍，为了整合交通资源，早在2002年，北京就率先成立了专门的交通委员会。北京市政府投入了1800亿，用于改善交通拥堵的状况。据悉，奥运交通将为不同的人群提供服务，包括运动员及领队、技术官员、媒体成员、赞助商、工作人员及志愿者等奥运大家庭成员及贵宾，以及普通观众及参观者，而今后，这一改进的体系将带给北京市民更大的实惠。
让我们去看看规划后的北京交通。

公交系统日渐完善
有个响亮的口号叫“要想富，先修路”，挪用在今天的北京身上却可能是“想不堵，先修路”。2008年，北京公共汽车的运送能力将达到45亿人次/年，运营车辆达到18000部；公交线路将达到650余条，线网密度达到2.16公里/平方公里。再加上轨道交通作为城市公交系统的重要辅助，能够使得公共交通承担的比例由目前的28.1%提高到赛时的42%，对地面的车流、交通流，起到有效的减缓作用。
根据调查，在纽约、伦敦、东京这样的国际性大都市，公共交通系统的使用率都超过了50%，而北京却只有23.4%。如今，以快速轨道交通为骨干、地面公共汽车为主体的公共客运体系将承担市民日常上下班出行的60%，在全日出行总量中分担的比重也将提高到40%以上，出租车空驶率已经从之前的48%降到了25%以下。

BRT闪亮登场
除了地铁和公交系统以外，如今，在北京还出现了一件新玩意——BRT。
BRT快速公交系统（Bus Rapid Transit）是一种介于快速轨道交通（Rapid Rail Transit， RRT）与常规公交（Normal Bus Transit，NBT）之间的独特的大容量城市公共客运系统。它利用现代化公交技术配合智能交通和运营管理，开辟出公交专用道路并配备新式公交车站，实现轨道交通式的运营服务。
北京的第一条也是唯一一条正在运营的快速公交全程16公里，配备的两节车厢载客量大，是北京城南的交通大动脉。实现快速的关键词也在于“路权”，BRT享有独立的路权，有严格封闭的专用车道、封闭式车站，到了交叉口能得到系统设定的绿灯放行。其奥妙在于，当快速公交装过感应装置后，就能控制前方路口的红绿灯：如果是绿色，就尽量延长绿灯时间；如果是红灯，就尽快变成绿灯，自然可以悠闲地通过每一个路口。
“这是一次尝试，设置这样的快速公交主要是想改变小汽车和公交争夺路权的现状。”杨教授指出，现在的路权分配并不合理，开车的人毕竟是少数，大多数人需要乘坐公交车，但如果从占用的道路面积看结果却完全相反，汽车和公交车的扫过比例介于1/2和1/3之间，若换算成乘客比例，至少在1：60。今后，BRT系统会得到推广，安立路、朝阳路、阜石路的建设都会加快，形成一个地面公交快线网络。根据规划，未来北京的BRT或将达到300公里。
然而，快速公交也受到了人们的质疑，最大的焦点在于只有公交车可以通行，可能会过多占用资源，造成不该有的浪费。所以，专家们也在权衡。比较而言，美国的BRT不采用完全封闭的，而是允许其他车辆跟随在后面，或许值得借鉴。

无障碍准公交系统
奥运期间的无障碍工程也是交通专家关注的焦点。中国有近8000万残障人士，可是他们很少出行，我们可能也从未设想过，残障人士怎样搭乘公共汽车。奥运就是要解决这种问题，让他们都能去奥运场馆观赛，首当其冲的就是交通问题。
借鉴国外的经验，奥运期间就准备不少无障碍公交车，这是一种准公交（prepare transport）系统，采用低底盘设计，专门为不方便出行的残障人士和老年人服务，方便他们搭乘。
无障碍的理念最初源于建筑，如今逐渐跟交通结合，但需要改进的地方还很多。以地铁为例，目前很多城市的地铁都配有无障碍电梯，但使用率极低，仿如一件摆设。这里的原因是多方面的，除了宣传不够，最大的问题是没有做好相关衔接。“我们可能从未设身处地的为他们考虑过，仅仅在地铁里配备无障碍设施，解决了上下问题是远远不够的，从住所到地铁怎么办？出了地铁又怎么办？这些都是没有任何保障的，无障碍交通设施的前后衔接存在很大的漏洞，最欠缺的就是系统化，但这项工作并非一个部门能完成的。”然而，不管怎么说，这个问题开始引起人们的思考和逐渐重视。政府也投入了很多资金，希望这8000万残疾人也能像正常人一样享受到交通服务的发展和便利，也能有机会观看奥运会。

智能交通系统实时可靠
在奥运交通系统中，处处体现着科技奥运的理念，最典型的莫过于ITS智能交通系统（intelligent transport system）。智能交通系统并非只是一种对交通的疏导，而是在较完善的交通基础设施上，通过将先进的传感器技术、通信技术、自动控制技术、计算机技术、数据处理技术等有效集成，对交通管理实行远程实时控制，从而建立起实时、准确、高效的全方位交通运输综合管理和控制系统。
ITS在中国的起步较晚，此次奥运会带动了ITS的发展，它将用于奥运的交通管理领域、公共交通领域、紧急事件管理领域。
在奥运会期间，管理人员、决策人员，甚至应急管理部门都需要大量的实时信息和数据来时刻追踪、调控某一路段的拥堵和运营情况，同时及时发布，给最普通的出行者有用的信息。ITS最大的亮点在于，能够利用现代科学技术在道路、司机和乘客之间建立起智能的联系，给我们每个出行者提供比较可靠、有效、实时的信息。比如，公共场所（尤其在奥运周边地区）的大屏幕提供的可变信息如果设计得很合理，会对前往奥运场馆观赛的人群有一定帮助，使得他们的出行更加迅捷便利。换而言之，如果人们通过网络、广播等渠道知道前方的目的地或沿线有问题，就可以更改出行路线，或者取消出行计划，从而缓解可能发生的更大的交通拥堵。
目前，研究人员已经完成了奥运村的交通规划，但关于ITS的技术还仅限于奥运村周边地区使用，并在奥运会期间进行测试，如果其中的某些技术非常实用，会在今后得到更大范围的推广。ITS智能交通系统的技术在使用中的费用是非常昂贵的，目前还只能用在最需要的地方。

管理大于建设
即便有了诸多的建设，杨教授依然认为，“加强交通管理的能力比建设更重要，是最行之有效的措施”。解决北京交通拥堵不能全押在硬件设施上，根本出路在于合理规划。
奥运期间交通最大的压力来自机动车数量的飞速膨胀，道路的建设已经跟不上车的增加。目前北京市机动车保有量超过300万辆，，每天售出车辆数量也超过1000辆，奥运期间预计将达到350万辆。一方面是首都发展繁荣的标志，但是从另一方面看，机动车的暴增也对环境带来了各种严重的负面影响，对交通状况造成了压力。
2006年中非论坛期间，北京对部分公车进行了限制，市政府有70%的公车停驶，中央在京单位也施行了一定的停驶措施，同时还倡导私车拥有者停驶或少开，使得交通状况大为好转。2007年8月17日~20日“好运北京”奥运综合测试赛期间，北京又有意识地实施了机动车单双号分流出行和封存公车的管理措施，削减了131万到136万的机动车数量，使得城市主干道的流量减少了30%，主干道高峰时的时速由原来19.2公里提高到32.1公里。同时，这一措施使得空气环境质量大大提高，监测到的数也表明，实行单双号起到了预期的缓解交通压力的效果。“我特意去体验了一下，一路畅通。这可以看作是为奥运的交通做一个‘预演’，奥运期间只会更好。”
杨教授介绍，按照历届奥运会的惯例，在奥运会期间要采取交通需求管理的措施，因此从今年7月20号开始，直至残奥会结束，北京都将采取汽车单双号限行上路的措施，所有行政单位的公车要封存50%~70%，如此一来，届时会有近200万辆车不能出行，奥运期间的交通状况值得看好。实施这种临时性的措施是有些无奈的，不是很人性化，但是反过来看，如果不实施，情况可能会更糟。杨教授觉得这次采取了提前告知的方式，可以让民众尽早适应。

回归公共交通
在确保奥运期间的交通便捷方面，经济杠杆和大力宣传也起到了积极的作用。通过市政补贴，公交和地铁的低票价都是很吸引人的，整洁的车厢，准确及时的报站，宣传公交优势，也是软件和硬件的配合。一系列的举措将不少人又拉回到乘坐公共交通出行的方式，目前30%以上的市民已经选择乘坐公交。而公共交通周、世界无车日、拼车理念的宣传和呼吁，虽然没有强制执行，但已经得到了收效。2007年五环路取消收费后，已经吸引了一部分三四环的车流量，缓解市内交通的作用非常显著。
通过这些举措的实行，我们有理由相信，北京交通拥堵状况可以得到有效改善，让人们改变生活理念，放弃小汽车、回归自行车和一定范围内的步行也是可以想象的。
然而，这条环保之路并不平坦，杨教授坦言，从整个交通系统来讲，换乘的便捷还没做到家，不仅地铁之间的换乘，地铁与地面交通之间的换乘等也没有解决好，再加上日益增多的私家车与地铁换乘的问题，都有待改进。

奥运期间特事特办
北京申奥时就向国际奥委会做出过交通方面的承诺，从运动员驻地出发，到任何一个比赛场馆，路上所需要的时间都不超过30分钟。
为了兑现这个诺言，应对高峰期的车辆拥堵，北京借鉴了雅典和悉尼奥运会的经验，在相关的场馆附近的道路上施划了300公里的奥林匹克专用通道的网络，覆盖了二环、四环、五环、八达岭高速、京承高速上的107条相关道路，是历届奥运会中规模最大的。专用通道会在奥运会期间投入使用，能够保证运动员从奥运村到每个比赛场馆基本上在奥林匹克专用道上畅通无阻地行驶，时速可以达到60公里。而且，“届时只有持牌车辆才能进入，这一点是跟国际接轨的。”
同时，已经试行过的弹性交通管制模式，也会奥运会期间被继续使用。它将原来的摄像头与新近增加的摄像头进行了连接，使运动员、技术官员和媒体记者，从驻地一出来，我们就能够实施全方位的跟踪，根据交通量的情况临时管制，随时调整一些道路的控制情况。一旦发生拥堵，就可以在不同地方采取不同的分流措施，确保道路的畅通。
借助这种监控系统和运行模式，全长约9公里的道路上，只需要30名交通警察，就可以实现精确指挥和精确引导，其他车辆的正常行驶也不会受到太多限制。

安全疏散秩序井然
在奥运交通的研究中，北京工业大学首先主持研究了奥运交通规划的大型研究课题，指导整个北京交通。随后又参与了对每个场馆和附近道路的车流量预测，以便设计人员就场馆的规模、位置设计出满足需求的设施。其后，又主持了奥运交通仿真课题，用软件仿真出行人（主要是场馆中）进出的模型，估算周围的设施是否能够满足正常的人流量通行，目的主要是为了奥运会的行人交通组织及观众疏散问题。
在奥运会比赛期间，除了满足比赛相关人员的交通需求外，观众的交通需求也是必须克服的难点，尤其是人群最集中的赛后散场时刻，观众必须得到及时和安全的疏散。据估算，奥运会比赛的第9天为高峰日，北京市全天的观众总数为36.4万人，人流疏散最集中的时间是22时到22时30分。专家们会通过一系列的措施来消减高峰的压力，比如在散场时安排一点活动，设计一些绕行的线路，拉长散场的绕行迂回的时间，以减轻在出入口、在公交场站和地铁口的压力。

应急预案不可或缺
如果奥运期间出现突发事件，相应的应急预案研究就是杨教授负责的重点了。对于火灾、爆炸等任何突发事件，不可能等到发生后再讨论对策，这就是预案的重要原因。
9.11之后，全球开始异常关注恐怖袭击，2003年SARS之后，国务院就开始制定针对各种情况的应急预案，而近年来频频发生的地震、雪灾、海啸、暴雨等各种由气候造成的紧急事件，也使得应急预案和应急机制越来越受到人们的关注。
研究团队主要参考了美国的应急机制和疏散方案，也充分考虑了现实的不同。美国车辆保有率很高，发生危机时的车辆骤时流量会猛增至平时的三五倍，甚至10倍之多，更需要组织交通。而中国不同，他们最终确定，在奥运会期间，一旦需要撤离，60%~65%是有组织地通过公共汽车来疏散、撤离。
突发事件按照严重程度分成特别重大、重大、较大、一般四类，为期17天的奥运会每天的赛事不同，在奥运村参加项目的运动员、观众人数不同，集中程度也不同，尤其是开幕式和闭幕式。因此他们还针对不同的日期或时段，为奥运设定了9种情景，并设计出数十种不同的应急预案，并通过仿真系统对预案一一进行模拟，目的是测试反应时间的快慢，以及对某一方案从撤离时间、安全程度、实施代价等方面来评估，以期达到资源合理配置。
“应急预案牵涉极广，甚至可以说，从应急的角度来说，交通只是其中的一部分。我们在构建整个体系的时候，想得更多的并不是交通。”比如，在设计方案时对于奥运场馆地理位置和对于医疗救护、基本生活设施等资源的考虑，以及沿线的设施配置和建立临时性的和永久性的避难所的考虑。此外，这些设施还应该基本保证交通顺畅、生存所需（水和食物、医疗设施），以及通讯畅通。
关于应急反应和应急交通撤离的课题还在继续，杨教授希望把所有的城市，尤其是大城市纳入其中。因为一旦发生地震等自然灾害，在密集的居民区，安全撤离是一个非常棘手的难题，即便灾害不严重，仅人群当时的恐慌就足以打败一个城市，更遑论之后不计其数的投入。
杨教授还强调，培训、演习和日常的宣传作用都不可轻视，虽然花费的代价可能很高，效果也未必真实——“我们现在最欠缺的就是不能把事件真实化，突发事件的气氛很难营造出来”。而且，人在恐慌时不够理智，我们应该在危难发生前、发生时和发生后给予人们简单易行的指导。

漫长的寻找之路
通过自己的20多年课题研究和体会，杨教授深切地感受到，奥运会改变了不少的人观念。他始终认为，从城市规划的角度讲，过去的决策者不太关注交通，而且从专业的管理的层面说，一直以来，北京的交通管理能力都不强，但通过奥运这个难得的契机，交通的重要性逐渐得到强化，现在 “交通”这个关键词出现在电视、报纸、杂志、网络等媒体上的频率也越来越高。
更加重要的是，奥运交通治理提升了北京的交通管理能力，人们也开始意识到管理的重要性。“我们也在通过奥运这个难得的机会摸索什么才是适合北京和中国的交通模式。或许，我们需要的只是时间。”

Tips
BRT的发源地
快速公交系统既适用于一个拥有小城市，也适用于特大型都市，它起源于上世纪70年代的巴西库里提巴（Curitiba）市。作为发展中国家的城市，当时面对城市人口和私人汽车迅速增长所带来的严重交通拥堵，却没有足够的资金建设轨道交通，因此设计人员在前市长、著名建筑设计师、BRT之父Jamie Lerner先生的领导下大胆开发并实施了一种新的公交方式，用只有轨道交通1/10的造价建成了具有轨道交通运营特性的快速公交，使得库里提巴的公交出行比例高达75%，日客运量高达19万人。

任务型对话系统中状态追踪（DST）

前面写了对话系统中的SLU之领域 分类/意图识别 、 槽填充 、 上下文LU和结构化LU 以及 NLG ，DST是对话管理（DM）的一部分，而DM是任务型对话中至关重要的一部分。说个 非严格的对比 ：如果把对话系统比作计算机的话，SLU相当于输入，NLG相当于输出设备，而DM相当于CPU（运算器+控制器）。

对话系统按功能来划分的话，分为闲聊型、任务型、知识问答型和推荐型。在不同类型的聊天系统中，DM也不尽相同。

闲聊型对话中的DM就是对上下文进行序列建模、对候选回复进行评分、排序和筛选等，以便于NLG阶段生成更好的回复；

任务型对话中的DM就是在NLU(领域分类和意图识别、槽填充)的基础上，进行对话状态的追踪（DST）以及对话策略的学习（DPL，下次分享），以便于DPL阶段策略的学习以及NLG阶段澄清需求、引导用户、询问、确认、对话结束语等。

知识问答型对话中的DM就是在问句的类型识别与分类的基础上，进行文本的检索以及知识库的匹配，以便于NLG阶段生成用户想要的文本片段或知识库实体。

推荐型对话系统中的DM就是进行用户兴趣的匹配以及推荐内容评分、排序和筛选等，以便于NLG阶段生成更好的给用户推荐的内容。

什么是对话状态？其实状态St就是一种 包含0时刻到t时刻的对话历史、用户目标、意图和槽值对的数据结构 ，这种数据结构可以给DPL阶段提供学习策略(比如定机票时，是询问出发地还是确定订单？)继而完成NLG阶段的回复。

对话状态追踪（DST）的作用： 根据领域(domain)/意图(intention) 、曹植对(slot-value pairs)、之前的状态以及之前系统的Action等来追踪当前状态 。他的 输入是Un（n时刻的意图和槽值对，也叫用户Action）、An-1（n-1时刻的系统Action）和Sn-1（n-1时刻的状态），输出是Sn（n时刻的状态） 。 这里用户Action和系统Action不同，且需要注意

S = {Gn,Un,Hn}，Gn是用户目标、Un同上、Hn是聊天的历史，Hn= {U0, A0, U1, A1, ... , U −1, A −1}，S =f(S −1,A −1,U )。

DST涉及到两方面内容： 状态表示、状态追踪 。另外为了解决领域数据不足的问题，DST还有很多迁移学习(Transfer Learning)方面的工作。比如基于特征的迁移学习、基于模型的迁移学习等。

为了在抽象的建模的基础上加深理解，看个小例子：

通过前面的建模和实例化，不难看出对话状态数跟意图和槽值对的数成 指数关系 ，维护所有状态的一个分布非常非常浪费资源，因此需要比较好的状态表示法来减少状态维护的资源开销（相当于特定任务下，更合理的数据结构设计，好的数据结构带来的直接影响就是算法开销变小）。

常见的状态表示法包括两种：

Hidden Information State Model (HIS)

这种方法就是：使用 状态分组 和 状态分割 减少跟踪复杂度。其实就是类似于二分查找、剪枝。

Bayesian Update of Dialogue States (BUDS)

这种方法就是：假设不同槽值的转移概率是相互独立的，或者具有非常简单的依赖关系。这样就将状态数从意图和槽值数的 指数 减少到了 线性 。

下面简单对比下两种不同状态表示法的优缺点：

讲到DST就不得不讲DSTC，DSTC是 Dialog System Technology Challenge ，主要包括6个Challenge。DSTC对DST的作用就相当于目标函数对机器学习任务的作用，真正起到了评估DST技术以及促进DST技术发展的作用。之所以在DST前先说DSTC是因为后面的很多DST的方法是在某个DSTC（大多是DSTC2、DSTC3、DSTC4、DSTC5）上做的。

先来看看DST的形象化

再来看看我总结的DST的方法汇总，注意我没有整理基于规则的DST（ 基于规则的方法虽然可以较好利用先验知识从而可以较好解决冷启动等问题，但是需要太多人工、非常不灵活、扩展性和移植性很差、不能同时追踪多种状态 ）。

下面分别介绍一下对话系统中的不同DST技术。

论文： （ Lee, SIGDIAL 2013 ）（ Kim et al., 2014 ）

从BUDS中对不同槽值的转移概率是相互独立的假设（是不是很像马尔可夫假设？）以及St的预测需要Un、An-1和Sn-1（转移概率和发射概率），是不是想到了HMM和CRF？没错，前期的基于统计的DST就是用了很多CRF。 n = （S −1, A −1, U ）。

Lee, SIGDIAL 2013 的主要思想如下：

Kim et al., 2014 的主要思想如下：

论文： （ Mrkšić et al., ACL 2015 ）（ Henderson et al., 2013 ）（ Henderson et al., 2014 ）（ Zilka el al., 2015 ）

关于神经网络的介绍、神经网络的好处和坏处，不再赘述，已经烂大街。基于神经网络的很多方法是在DSTC上做的，这里选取了几篇有针对性的经典论文简单介绍下。

Mrkšić et al., ACL 2015 是ACL2015的一篇论文，它是用RNN进行多领域的对话状态追踪，主要贡献是证明：利用多个领域的数据来训练一个通用的状态追踪模型比利用单领域数据训练追踪模型效果要好。

Henderson et al., 2013 是利用DNN来解决DSTC，它把DST当分类问题，输入时间窗口内对话轮次提取的特征，输出slot值的概率分布。该方法不太容易过拟合，领域迁移性很好。模型结构图如下：

Henderson et al., 2014 ，基于DRNN和无监督的自适应的对话状态鲁棒性跟踪，从论文名字就能看出因为使用DRNN和无监督的自适应导致DST 鲁棒性很好 。

先来看看特征提取的办法：主要提取f，fs，fv三种特征，f是针对原始输入提取，fs和fv是对原始输入中的词做Tag替换得到 泛化特征 。

再来看下模型结构：对slot训练一个模型，利用无监督的自适应学习，将模型泛化到新的domain以便于提高模型的泛化能力。

Zilka el al., 2015 ，基于增量LSTM在DSTC2做对话状态追踪，具体思想如下：

（ Williams 2013 ）（ Mrkšic, ACL 2015 ）

目前对话系统数据较少，我比较看好迁移学习在任务型对话中的应用，尤其是DST这种较复杂的任务。

Williams 2013 ，这是通过 多领域学习与泛化 来做对话状态追踪，比较好的解决了数据目标领域数据不足的问题。

Mrkšic, ACL 2015 ，这是ACL 2015的一篇paper，基于RNN做多领域的对话状态追踪，主要贡献是证明：利用多个领域的数据来训练一个通用的状态追踪模型比利用单领域数据训练追踪模型效果要好。顺便说一句，这篇论文涵盖了很多任务型对话领域比较高产的学者。

Shietal., 2016 ，基于 多通道卷积神经网络 做 跨语言 的对话状态跟踪。为每一个slot训练一个多通道CNN（中文character CNN、中文word CNN、英文word CNN），然后跨语言做对话状态追踪，我个人很喜欢这篇paper，也非常推荐大家好好读读这篇paper。

先来看看方法的整体结构：

再来看看多通道CNN的结构图：

最后看看输入之前的预处理：

（ Mrkšić et al., ACL 2017 ）

这是发表于ACL 2017的一篇论文，个人觉得水平很高。

先来看一下基于word2vec的表示学习模型，本文提出两种架构：NBT-DNN、NBT+CNN，结构图如下：

再来看看整个模型的结构图，它包含语义解码和上下文建模两部分：语义解码：判断槽值对是否出现在当前query；上下文建模：解析上一轮系统Act，系统询问（tq）+ 系统确认（ts+tv）。

模型还有一部分：二元决策器，用来判定当前轮的槽值对的状态。本文的状态更新机制采用简单的基于规则的状态更新机制。

另外，ACL 2018在本文的基础上提出完全NBT（ Fully NBT） ，主要变动是修改基于规则的状态更新机制，把更新机制融合到模型来做 联合训练 。具体更新状态的机制包括One-Step Markovian Update（ 一步马尔科夫更新，使用两个矩阵学习当前状态和前一时刻状态间的更新关系和系数）和Constrained Markovian Update（约束马尔科夫更新，利用对角线和非对角线来构建前一种方法中的矩阵，对角线学习当前状态和前一时刻状态间的关系，非对角线学习不同value间如何相互影响）。总之，这个工作扩展的比较细致。

其实还有很多种对话状态追踪的方法，比如基于贝叶斯网络做DST、基于POMDP（部分可观测马尔可夫决策过程）做DST等，因为时间相对比较久远，这里不再赘述。

以上介绍了多种对话系统中的DST技术，下面简单总结下它们的优势和劣势。

任何一项技术想要取得进步，那么他的评测方法是至关重要的（就相当于目标函数之于机器学习算法），所以我列出一些关于DST的评估。遗憾的是，目前DST的评估我感觉并不成熟，这也是制约DST发展的一个重要原因，如果谁能想出更好的评估方法或整理出一个业内公认的高质量数据集，那么一定会在DST（甚至是对话系统）领域有一席之地，引用量也会蹭蹭的上涨。

State Tracking Challenge (DSTC)

Williams et al. 2013, Henderson et al. 2014, Henderson et al. 2014, Kim et al. 2016, Kim et al. 2016, Hori et al. 2017

6.2. State Representation:

6.2.1 HIS

Steve Young, Jost Schatzmann, Karl Weilhammer, and Hui Ye. The hidden information state approach to dialog management.

6.2.2 BUDS

Blaise Thomson, Jost Schatzmann, and Steve Young. Bayesian update of dialogue state for robust dialogue systems.

6.3.1 CRF

Sungjin Lee. Structured discriminative model for dialog state tracking. In Proceedings of the SIGDIAL 2013 Conference. Lee, SIGDIAL 2013

Seokhwan Kim and Rafael E Banchs. Sequential labeling for tracking dynamic dialog states. Kim et al., 2014

6.3.2 NN-Based DST

Multi-domain Dialog State Tracking using Recurrent Neural Network, Mrkšić et al., ACL 2015

Deep Neural Network Approach for the Dialog State Tracking Challenge, Henderson et al., 2013

Robust dialog state tracking using delexicalised recurrent neural networks and unsupervised adaptation, Henderson et al., 2014

Incremental lstm-based dialog state tracker, Zilka el al., 2015 .

6.3.3 Neural Belief Tracker

Neural Belief Tracker: Data-Driven Dialogue State Tracking , Mrkšić et al., ACL 2017

6.3.4 Multichannel Tracker

A Multichannel Convolutional Neural Network For Cross-language Dialog State Tracking, Shi et al., 2016

6.3.5 Transfer learning for DST

6.3.5.1 Feature based transfer for DST

Jason Williams. Multi-domain learning and generalization in dialog state tracking . In Proceedings of SIGDIAL. Williams 2013

Hang Ren, Weiqun Xu, and Yonghong Yan. Markovian discriminative modeling for cross-domain dialog state tracking .

6.3.5.2 Model based transfer for DST

Nikola Mrkšic, Diarmuid O Séaghdha, Blaise Thomson,Milica Gaši ́c, Pei-Hao Su, David Vandyke, Tsung-Hsien Wen, and Steve Young. Multi- domain dialog state tracking using recurrent neural networks . Mrkšic, ACL 2015

生信期刊影响因子汇总

影响因子（Impact Factor，IF），是汤森路透（Thomson Reuters）出品的期刊引证报告（Journal Citation Reports，JCR）中的一项数据， 即某期刊前两年发表的论文在该报告年份（JCR year）中被引用总次数除以该期刊在这两年内发表的论文总数。期刊的影响因子在每年都会有一定水平的上下浮动。

影响因子现已成为国际上通用的期刊评价指标，它不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。

为了方便广大科研工作者查询期刊影响因子，针对性地投递文章，我特意搜集了2011年~2016年JCR收录共计11,834种期刊的影响因子，并精选 生信领域 的53个常见期刊进行简要分析。

以下将这53个常见期刊分为3个梯队，并给出历年影响因子及走势分析。

第一梯队

7个影响因子≥20的期刊（20分左右的期刊比较少见，可惜的是2016年NATURE GENETICS降到了30以下）。NBT和SCIENCE一直是质量的担当，近年来影响影子一直是稳步上升。NATURE GENETICS作为遗传学中的重磅期刊，近年来影响因子总体呈现下降的趋势。也许是测序技术的发展导致类似文章过多，因此在测序数据量膨胀的今天，数据的深度挖掘显得更为重要。

第二梯队

24个影响因子5~15的期刊。此范围内的期刊有潜力的更多一些。其中最为强劲的当属CELL RESEARCH，历经5年的时间，影响因子几乎翻倍。除此之外，Nature Communications和NUCLEIC ACIDS RESEARCH的表现也是相当亮眼，尤其是NC，2016年已经突破了12分。最出乎意料的就是进化中经典期刊MOLECULAR BIOLOGY AND EVOLUTION了，2016年已经直奔6了，相比较于2015年断崖式降到了一半。

第三梯队

22个影响因子2~5的期刊。低分的期刊维持影响因子似乎是更难的一件事情，其中有6个是逐年下降的趋势。尤其是PloS One逐年呈现的更是稳定的下降，2016年已将到了3以下，相比较2011年跌至了6.8成，虽然BMC MOLECULAR BIOLOGY在2014年和2015年有些上升，但是2016年的数据也是没有止住整体下降的颓势。