شبكة لى فنغ منظمة العفو الدولية تكنولوجي ريفيو: 6 يناير، برعاية لجنة الشباب جمعية معالجة المعلومات الصينية (المشار إليها باسم "اللجنة التنفيذية")، والحوسبة الاجتماعية واسترجاع المعلومات مركز أبحاث (HIT-SCIR) المتعاقدين معهد هاربين للتكنولوجيا في "AAAI 2018 و"الذي عقد قبل الكلام بنجاح في معهد هاربين للتكنولوجيا. برعاية الاجتماع هواوي وسحابة روفر التكنولوجيا، شبكة لى فنغ باعتبارها الشريك الإعلامي الحصري، وتوفير العيش على الانترنت، وهذا قبل الحديث تفعل التقرير كله.
مكبرات الصوت تشانغ إلى مدينة صور البيت! بما في ذلك الأساتذة والدكتوراه وطلاب الدراسات العليا والطلاب الجامعيين، والتي تغطي جميع الأعمار البحوث الأكاديمية.
تصوير: HIT لي جيا تشى
سوف AAAI 2018 قبل الحديث دعوة المعلمين والطلاب من 15 جامعة ومعاهد البحوث في جميع أنحاء البلاد لحصة 25 في الأوراق التي تلقوها في AAAI عام 2018، وتغطي المحتوى مع chatbot، الدلالي الرسم البياني التبعية، تلخيص النص، الترجمة الآلية، استخراج المعلومات، وتمثل أحدث الأبحاث وغيرها من مجالات الدراسة. استقطب المؤتمر أكثر من 200 من المعلمين والطلاب والمشاركين في هذا التبادل.
نحن "AAAI ستعقد 2018 قبل الحديث بنجاح في معهد هاربين للتكنولوجيا، و25 أعلى المقال يتحدث عن ما (ال)" والذي تم تقديمه في 12 المقالات في التفاصيل، وهما:
جلسة 1
الخصومة التعلم عن NER الصيني من الحشد الشروح
الكاتب: يانغ ياو شنغ، وتشانغ ميشان، وتشن Wenliang، تشانغ وى، الفين وانغ هاو، تشانغ مين
الوحدة: معهد تكنولوجيا اللغة البشرية من جامعة سوجو
التكيف المشارك الانتباه شبكة التعرف على الكيان الاسم في تغريدات
الكاتب: تشانغ تشى فو Jinlan، ليو يو، وهوانغ جينغ شيوان
الوحدة: جامعة فودان
كبير استخراج العلاقة كومبوزيتس مع التعزيز التعلم
الكاتب: تسنغ Xiangrong، هو ساي تشو، ليو كانغ، تشاو يونيو
الوحدة: معهد الأكاديمية الصينية للعلوم أتمتة
كشف الحدث عن طريق آلية الاهتمام عن طريق بوابة متعددة اللغات
المؤلف: ليو جيان تشن يوبو، ليو كانغ، تشاو يونيو
الوحدة: معهد التشغيل الآلي، والأكاديمية الصينية للعلوم
الشبكات العصبية دمج قواميس ل Word الإنقسام الصينية
الكاتب: تشانغ تشى، ليو يو، فوجين لان
الوحدة: جامعة فودان
التعلم المتعدد الوسائط كلمة التمثيل عبر الحيوي طرق فيوجن
كانت Wangshao نان تشانغ جيا جون، للاحتفال: المؤلف
الوحدة: أتمتة
الدورة 2
استنتاج العاطفة من المحادثة بيانات الصوت: A شبه supervisedMulti مسار النهج المولدة الشبكات العصبية
الكاتب: Zhousu بينغ، جيا جيا وانغ تشى دونغ يوفي، يين يوفينغ، لى Kehua
الوحدة: جامعة تسينغهوا
نص الجيل طريق طويل التدريب الخصومة مع معلومات متسربة
الكاتب: Guojia زيان، لو سيدي، تشوي هان تشانغ ينان، وانغ جون، يو يونغ
الوحدة: جامعة جياوتونغ فى شانغهاى
نقل نمط في النص: الاستكشاف والتقييم
الكاتب: فو الجديدة، TAN شياو يي بينغ يون نان، تشاو يان يان روي
الوحدة: معهد علوم الحاسب والتكنولوجيا، جامعة بكين
ميتا متعدد المهام التعلم للتسلسل النمذجة
الكاتب: تشن Junkun، Qiuxi بنغ، وليو بنغفاي، وهوانغ جينغ شيوان
الوحدة: جامعة فودان
RUBER: وبدون اشراف طريقة لتقييم التلقائية المفتوح DomainDialog أنظمة
الكاتب: تاو تشونغ، مولي لي تشاو يان يان روي
الوحدة: معهد علوم الحاسب والتكنولوجيا، جامعة بكين
استكشاف ملاحظات الضمني لتوليد المحادثة المجال المفتوح
الكاتب: تشانغ M، لي لكزس، تساو دونغ يان، وليو تينغ
الوحدة: معهد هاربين للتكنولوجيا
بعد ذلك، سوف نقدم على 13 محتويات الحقل إضافية من التقرير بالتفصيل. وهم على النحو التالي:
الدورة 3
العصبية الأحرف التبعية توزيع للصينيين
الكاتب: لي Haonan، Zhangzhi سونغ، جو يو تشى تشاو
الوحدة: جامعة جياوتونغ فى شانغهاى
النهج والعصبية الانتقالية واستنادا لالدلالي التبعية الرسم البياني توزيع
الكاتب: وانغ Yuxuan، وان شيانغ تشي قوه جيانغ ليو تينغ
الوحدة: معهد هاربين للتكنولوجيا
غير متزامن ثنائي الاتجاه فك لآلة العصبية الترجمة
الكاتب: Zhangxiang ون سو جين شونغ، تشين يو، وليو يانغ، جي رونغ رونغ وانغ هونجي
: جامعة شيامن
المعرفة الرسم البياني تضمين مع التكرارية التوجيه من قواعد لينة
الكاتب: قوه شو وانغ تشيوان، MUSLIM، وانغ بن، قوه لى
الوحدة: معهد هندسة المعلومات، والأكاديمية الصينية للعلوم
التضمين من قواعد هرمي مكتوب المعرفة
الكاتب: جانغ تشونغ ري، فان شوانغ، وانغ يوي، ماو يونغ يي
الوحدة: جامعة بكين للملاحة الجوية والفضائية
وفية لالأصلي: حقيقة إدراكا العصبية تلخيصي تلخيص
الكاتب: تساو تسى تشيانغ، Weifu مثل لي ون جيه، LI سو جيان
الوحدة: وجامعة هونغ كونغ للفنون التطبيقية
تويتر تلخيص على أساس الشبكة الاجتماعية ومتناثر إعادة الإعمار
الكاتب: Herui فانغ، دوان من Xingyi
الوحدة: جامعة تيانجين
جلسة 4
تحسين مراجعة إقرارات مع العضو الاهتمام وProductAttention لتصنيف المشاعر
الكاتب: وو تشن، بالاستغلال، وديعة يين يان، وهوانغ اثارة، السيد تشان
الوحدة: جامعة نانجينغ
الصينية LIWC معجم التوسع عبر تصنيف الهرمي من WordEmbeddings مع سيميم الاهتمام
الكاتب: Cengxiang كاي يانغ تشنغ، تو سوبر مخزن، ليو تشى يوان، والشمس Maosong
الوحدة: جامعة تسينغهوا
التمثيل التعلم المنظم للنص تصنيف withReinforcement التعلم
الكاتب: دينغ يانغ، وهوانغ مين قوي، جاو
الوحدة: جامعة تسينغهوا
QA التأكيد المستندة مع سؤال وإدراكا معلومات المفتوحة استخراج
الكاتب: تشاو يان، يو تانغ، دوان نان، ليو Shujie وانغ دي جيانغ داشين، تشو مينغ، لي Zhoujun
الوحدة: مايكروسوفت للبحوث آسيا
النهاية إلى النهاية الكم مثل نماذج اللغة مع التطبيق على QuestionAnswering
الكاتب: تشانغ بينغ، نيو جيا بن، معرض سو، وانغ الأصدقاء، قاعدة حصانا، إلى حد كبير كلمات
الوحدة: جامعة تيانجين
EMD متري التعلم
الكاتب: Zhangzi تشاو تشانغ يوبو، تشاو شي بن، الوثب العالي
الوحدة: جامعة تسينغهوا
جلسة 3 (7 مباريات تقرير)
مشرف: البروفيسور يانغ Liangfu، جامعة داليان للتكنولوجيا
العصبية الأحرف التبعية توزيع للصينيين
الكاتب: لي Haonan، Zhangzhi سونغ، جو يو تشى تشاو
الوحدة: جامعة جياوتونغ فى شانغهاى
بعد استراحة الغداء ونصف ساعة من المناقشة، الدورة 3 من جامعة جياوتونغ فى شانغهاى أستاذ تشاو مفتوحة.
في عام 2009، أستاذ تشاو لكلمة صينية تعني هذه العملية سوف يكون لها تأثير المشكلة طمس وقد اقترح تحليل التبعية حرف المستوى. هذا النهج ميزتان: 1) باستخدام شجرة على مستوى الطابع يتجنب مشكلة الكلمة الصينية ليس هناك معيار عالمي، والهيكل الداخلي العميق 2) معالجة النصوص أعمق يوفر معلومات إضافية، من أجل فهم أفضل وجه العموم الجملة.
على هذا الأساس، وهذه المادة هي لاستكشاف استخدام التحليل العصبي التبعية الشخصية النموذج، وSCDT الطلق مستوى الحرف مكتبة شجرة التبعية (لأول مرة يقدم الغنية علامات POS-مستوى الحرف والعلامات فئة تعتمد)، وكذلك أول العصبية على مستوى شخصية الاعتماد محلل الصيني.
التجارب تبين أن علامات POS-مستوى الحرف وبطاقات الاعتماد المتبادل يلعب دورا هاما في الأداء التحليلي. أيضا في مؤشرات التحليل الرئيسية، والطابع العصبي دون تحليل التبعية من محلل الشبكة العصبية أكثر فعالية.
(شكرا تصحيح أستاذ تشاو)
النهج والعصبية الانتقالية واستنادا لالدلالي التبعية الرسم البياني توزيع
الكاتب: وانغ Yuxuan، وان شيانغ تشي قوه جيانغ ليو تينغ
الوحدة: معهد هاربين للتكنولوجيا
يليه معهد هاربين للتكنولوجيا من SCIR الدكتور وانغ Yuxuan تقاسموا أبحاثهم على الرسم البياني التبعية الدلالي.
الدلالي الرسم البياني التبعية هو بنية شجرة المقترحة في السنوات الأخيرة توسيع التمثيل النحوي أو الدلالي، مع الفرق الرئيسي أن هيكل الشجرة هو السماح للبعض الكلمات لديها عدد وافر من العقد الأم، مما يجعل من الرسم البياني احلقي إخراج (إخراج الرسم البياني احلقي، DAG ). وهكذا فإن الجملة التبعية الرسم البياني الدلالات التي يمكن الحصول عليها، فمن الضروري تحليل هذا DAG. وقد ركزت معظم العمل على دراسة بنية شجرة الضحلة التبعية، قلة من الناس دراسة كيفية تحليل DAG.
يعرض هذا المقال محلل القائم نقل، وذلك باستخدام خوارزمية قوس حريصة على أساس قائمة البديل من تحليل التبعية FIG.
غير متزامن ثنائي الاتجاه فك لآلة العصبية الترجمة
الكاتب: Zhangxiang ون سو جين شونغ، تشين يو، وليو يانغ، جي رونغ رونغ وانغ هونجي
: جامعة شيامن
من جامعة شيامن Zhangxiang ون قدموا لعمل مثيرة للاهتمام في الترجمة الآلية.
التقليدية الترجمة الآلية هي طبقا للترتيب في اتجاه واحد الترميز. عيوب هذا النهج هو أنه بمجرد ظهور خطأ في الترجمة في الوسط، ثم محتوى سوف يكون هناك الكثير من حدوث أخطاء. يقترح المؤلفون فكرة جديدة من اتجاهين الترميز.
15-1 ترميز ثنائية الاتجاه
النتائج بالمقارنة مع الطرق السابقة قد تحسنت بشكل ملحوظ. ومع ذلك، وهذا التأثير هو تعزيز كمية الاستهلاك من حساب للسعر. وقال جلسة الملصقات Zhangxiang ون أيضا أنها قد نظرت القفز طريقة تسلسل الترميز.
المعرفة الرسم البياني تضمين مع التكرارية التوجيه من قواعد لينة
الكاتب: قوه شو وانغ تشيوان، MUSLIM، وانغ بن، قوه لى
الوحدة: معهد هندسة المعلومات، والأكاديمية الصينية للعلوم
تلاه سهم للأكاديمية الصينية للعلوم في معهد هندسة المعلومات من وانغ تشيوان باحث مشارك وذكرت أنها أبحاثهم في الخريطة التعلم تمثيل المعرفة.
المعرفة والتعلم خرائط توزع في تمثيل الفضاء ناقلات المنخفضة للالأبعاد هو التركيز على البحوث. مؤخرا، اجتذب توزيع تمثيل المعرفة جنبا إلى جنب مع المنطق الرمزي التقليدي المزيد والمزيد من الاهتمام. ومع ذلك، فإن معظم المحاولات السابقة عن طريق لمرة واحدة قواعد المنطق حقن، وتجاهل التفاعل بين التعلم تمثيل المعرفة الموزعة والتفكير المنطقي. وبالإضافة إلى ذلك، الأساليب التقليدية تركز فقط على العلاج من قاعدة جامدة وهذا هو دائما صحيح لا يمكن انتهاك تلك القواعد. هذه القواعد عادة ما يتطلب الكثير من القوى العاملة لكتابة أو التحقق منها.
يقترح المؤلف نمط جديد من أساليب التعلم تمثيل المعرفة وزعت - قواعد لتوجيه جزءا لا يتجزأ، عن طريق لينة متكررة دليل التعلم خريطة معرفة كاملة العادية (التضمين، كما يختصر روج الموجهة الحكم) تمثل. ما يسمى القاعدة الناعمة هي أن أولئك الذين لا صحيحا دائما مع الثقة القواعد. هذه القواعد يمكن استخراجها آليا من الرسم البياني للمعرفة عن طريق الخوارزميات.
16-1، إطار نظرة عامة
على وجه التحديد، روج مع الاستفادة من الثلاثيات ملحوظ، يتضاعف ثلاث مرات غير المسماة، حكم الناعمة استخراج تلقائيا ثلاث الموارد في خريطة الأزياء المعرفة متكررة تشير إلى التعلم. في كل جولة من التكرار التنبؤ التسمية لينة وتصحيح يمثل ما بين هاتين الخطوتين بالتناوب. ويشير السابق استخدام القواعد ولينة الحالي علم التنبؤ الثلاثي الخالي من الملصقات تسمية لينة، واستخدام الذي هو مزيد من الرمز بواسطة الثلاثي (علامة الثابت) والثلاثي التي لا تحمل علامات (تسميات لينة) يدل على التصحيح الحالي. من خلال هذه العملية التكرارية، روج يمكن توزيعها بنجاح المعرفة النمذجة تمثيل التفاعل بينهما التعلم والتفكير المنطقي، ويحتوي على حكم المنطق ثروة من المعرفة يمكن أيضا نقل إلى أفضل تمثيل التعلم الموزعة.
(تحسس Xiewang تشيوان باحث مشارك تصحيح!)
التضمين من قواعد هرمي مكتوب المعرفة (مروحة تبريد، الشمالية)
الكاتب: جانغ تشونغ ري، فان شوانغ، وانغ يوي، ماو يونغ يي
الوحدة: جامعة بكين للملاحة الجوية والفضائية
مروحة تبريد طلاب الماجستير من جامعة بكين للطيران والفضاء. وعرضت عليها أن تنظر في نوع من الكيانات البحثية في عملية التضمين في التقرير.
أصبح التضمين وسيلة هامة من النماذج التنبؤية قائم على المعرفة ومجموعة متنوعة من والمنطق، واستخراج البيانات جزءا لا يتجزأ من واسترجاع المعلومات. ولكن معظم نماذج هي "بلا نوع" هو أيضا عن المعرفة فقط كمجموعة من الحالات، بغض النظر عن نوع من الكيان.
17-1، عملية دمج للنظر في نوع الكيان
في هذه المقالة، درست الكتاب تطبيق معلومات نوع كيان في قاعدة المعرفة التضمين. وضعوا قدما في الإطار، عام "اي نوع" جزءا لا يتجزأ من نموذج لإضافة "كتابة" جزءا لا يتجزأ من هذا النموذج. هذا النوع من كيان إطار تفسر على أنها مجموعة من القيود لجميع الكيانات، وهذه الأنواع من ضيق المساحة جزءا لا يتجزأ من متماثل أدخلت إلى مجموعة فرعية من مجموعة. تقديم وظيفة إضافية تكلفة ثم يتم محاكاة التضمين والقيود على التكيف بين هذه الكيانات والعلاقات.
(تصحيح لي أن أشكر فان بارد!)
وفية لالأصلي: لتقصي إدراكا العصبية تلخيصي تلخيص
الكاتب: تساو تسى تشيانغ، Weifu مثل لي ون جيه، LI سو جيان
الوحدة: وجامعة هونغ كونغ للفنون التطبيقية
من جامعة هونغ كونغ للفنون التطبيقية الدكتور تساو تسى تشيانغ في تقارير لاحقة اقترح ملخص المتولدة من المعلومات ليس فقط للحفاظ على كامل، الأهم من ذلك هو الاخلاص من المعلومات.
واستخراج خلاصة صيغة موجزة مختلفة في عملية التكامل في النص الأصلي يميل إلى خلق وقائع كاذبة. تساو تسى تشيانغ في التقرير، في الوقت الحاضر هناك تعاني ما يقرب من 30 من معظم الأنظمة العصبية المتقدمة من قبل مثل هذه المشاكل. ولدت سابقا مجردة تركز في المقام الأول على تحسين بالمعلومات، ولكن يعتقد الباحثون أن الإخلاص (أي "رسالة") هي لتوليد ملخص للفرضية، مهم جدا.
18-1 والإطار النموذجي
لتجنب الحقائق الكاذبة ملخص ولدت، استخدمت الكتاب على تقنيات استخراج المعلومات وتحليل التبعية مفتوحة لاستخراج الحقائق الفعلية وصفها من النص المصدر، واقترحت ثنائي الانتباه إطار تسلسل إلى تسلسل إلى القوة للنص الأصلي وانتزعت توليد حقيقة أن حالة وصفت. تبين التجارب أن 80 من وقائع كاذبة يمكن تخفيض طريقتهم.
(شكرا للدكتور تساو تسى تشيانغ تصحيح لي!)
تويتر تلخيص على أساس الشبكة الاجتماعية ومتناثر إعادة الإعمار
الكاتب: Herui فانغ، دوان من Xingyi
الوحدة: جامعة تيانجين
من جامعة تيانجين Herui فانغ، أستاذ مشارك أنها أدخلت الشبكات الاجتماعية القائمة وتويتر خلاصة متفرق اعمال اعادة الاعمار.
مع النمو السريع للتويتر وخدمات تدوين أخرى، والملايين من المستخدمين ولدت الكثير من المعلومات القصيرة وصاخبة، مما يجعل من الصعب فهم بسرعة معلومات موجزة التي تهم موضوع خاص بهم. الكاتب لمحاولة حل هذه المشكلة من خلال تويتر تلخيص والمعلومات الموجزة التي تستخرج من عدد كبير من النص تويتر.
النظر في الطرق التقليدية المجردة عموما رسائل نصية فقط، ويأخذ تويت الخلاصة طريقة الموجودة في خصائص ثابتة حساب على مستوى المستخدم من وسائل الإعلام الاجتماعية، ولكنه يتجاهل العلاقة الاجتماعية بين تويت. مستوحاة من النظرية الاجتماعية (هناك اتساق في التعبير الشبكات الاجتماعية والتعبير عن العدوى)، والكتاب تقترح رواية تسمى تويتر تلخيص على أساس الشبكة الاجتماعية ومتناثر التعمير (SNSR) تدوين هضم الطريقة التي طريقة يمكن استخدامها لسيناريو وسائل الاعلام الاجتماعية على نطاق واسع، والنص القصير وصاخبة، متفرق المنطق إعادة الإعمار.
في مقاله نموذج دفع العلاقة بين النص من المجتمع العادية، ودمج ذلك إلى مجموعة قليلة من إطار الصغرى بو المستخلص الأمثل، وتهدف إلى القضاء على التنوع معلومات زائدة عن الحاجة العادية قوية في الشبكة الاجتماعية يجلب.
نظرا لعدم وجود جسم العام، شيدت الكتاب 12 مواضيع مختلفة تويتر موجز مجموعات البيانات القياسية. النتائج التجريبية في هذه المجموعة البيانات تبين أن فعالية هذا الإطار في التعامل مع وسائل الإعلام الاجتماعية على نطاق واسع، صاخبة والرسائل القصيرة.
(شكرا Herui فانغ، وتصحيح أستاذ مشارك!)
جلسة 4 (6 تقرير الميدانية)
مشرف: أستاذ دينغ Xiaofu، معهد هاربين للتكنولوجيا
تحسين مراجعة إقرارات مع الاهتمام المستخدم والمنتج اهتمام لتصنيف المشاعر
الكاتب: وو تشن، بالاستغلال، وديعة يين يان، وهوانغ اثارة، السيد تشان
الوحدة: جامعة نانجينغ
من جامعة نانجينغ وو تشن في الدورة قدمت 4 قطاعات عملهم في مجال تصنيف المشاعر مستوى المستند.
هناك الكثير من التقييم في شبكة نوع المستند منصة مكتوبة من قبل المستخدم، وبعضها يعبر عن عاطفة المستخدم، والبعض الآخر على تقييم المنتج في حد ذاته. كيفية الاستدلال التعبير العاطفي المستخدم هو عمل مثير جدا للاهتمام على أساس هذه الاستعراضات.
وفي هذا الصدد، تانغ يو وآخرون (2015) إضافة إلى شبكة CNN على أساس مصفوفة تعويض المستخدمين والمنتجات وتمثل مصفوفة لتمثيل المعلومات؛ تشان وآخرون (2016) إلى الشبكة المستخدم وعلى مستوى المنتج. هذه المعلومات. اكتسبت كلتا الدراستين ترقية جيدة.
20-1، UPNN
20-2، USC + UPA
لاحظ الباحثون أن بعض الكلمات في نص التعليقات أظهر تفضيلات المستخدم قوية، وبعض الكلمات تميل لتقييم ميزات المنتج. حيث الآراء (التقييم العقلاني) هي المزيد من المنتجات ذات الصلة، والعاطفية (التقييم العاطفي) هو توثيق العلاقة مع تفضيل المستخدم. على هذا الأساس، يقترح المؤلف نموذجا شبكة التماثل:
20-3
في هذه الشبكة، وتركنا لاستخراج تفضيلات المستخدم تقييم الإدراك الحسي، والحق في استخراج تقييم الرشيد للتقييم المنتج. بالإضافة إلى شامل منظورين، والكتاب إضافة استراتيجية المحفظة. وبشكل عام، يتم التعبير عن وظيفة حيرة
حيث يمكن تعديل المعلمات الثلاث لعرض نتائج مختلفة. وأظهرت تجاربهم أن هذا النموذج من الفن للدولة من الحالي بعض النماذج ونتائج أفضل.
الصينية LIWC معجم التوسع عبر تصنيف الهرمي من Word التضمينات مع سيميم الاهتمام
الكاتب: Cengxiang كاي يانغ تشنغ، تو سوبر مخزن، ليو تشى يوان، والشمس Maosong
الوحدة: جامعة تسينغهوا
مجموعة الشمس Maosong من جامعة تسينغهوا الدكتور يانغ تشنغ طلب البحث والتقرير عدد الكلمات في اللغة الصينية (LIWC) تمديد العمل الدلالي.
LIWC عدد الكلمات هو أداة البرمجيات التي تم استخدامها في العديد من المجالات من تحليل النص الكمي. نظرا لنجاحه وشعبيته، وقد ترجم القاموس الأساسية في الصينية والعديد من اللغات الأخرى. ومع ذلك، حيث لا يوجد سوى القاموس يحتوي على آلاف الكلمات، وعدد من الكلمات الصينية المشتركة هي أبعد ما تكون عن الكفاية في المقارنة. تتطلب الطرق الحالية عادة يدويا توسيع القاموس، ولكن عادة ما يستغرق وقتا طويلا، ويتطلب خبراء اللغة تمديد القاموس.
لحل هذه المشكلة، يقترح المؤلفون طريقة لأوتوماتيكي القاموس تمديد LIWC. على وجه التحديد، يعتقد المؤلفون أن هذه المسألة هي تصنيف هرمي من المشاكل، واستخدام نموذج seq2seq لتصنيف كلمة في القاموس. وبالإضافة إلى ذلك، أيضا استخدام الكتاب معلومات يوشيموتو ووتش آلية لالتقاط المعنى الدقيق للكلمة، بحيث يمكن أن تمتد أكثر دقة، القاموس أكثر شمولا.
(شكرا للدكتور يانغ تشنغ تصحيح لي!)
تصنيف النص عبر التعلم المنظم التمثيل لتسليح التعلم
الكاتب: دينغ يانغ، وهوانغ مين قوي، جاو
الوحدة: جامعة تسينغهوا
ثم الدكتور يانغ تشنغ بالنيابة هوانغ مين، أستاذ مشارك كذبة قدموا أبحاثهم في التمثيل الهيكلية للتعلم تصنيف النص.
توصيف التعلم هو المشكلة الأساسية في معالجة اللغة الطبيعية. دراسات هذه المقالة هيكل كيف تعلم التمثيل تصنيف النص.
وخلافا لمعظم النماذج الحالية تمثل مختلف لا هيكل ولا على هيكل محدد مسبقا، يقترح المؤلفون طريقة تعزيز التعلم (RL)، عن طريق الاستفادة المثلى تلقائيا هيكل لتعلم التمثيل الجملة.
ويقترح المؤلفان اثنين من الهياكل نموذج التمثيل في المقال: معلومات المقطر LSTM (ID-LSTM) وLSTM مرتبة هرميا (HS-LSTM). حيث ID-LSTM مهمة هامة لتحديد كلمة ذات الصلة فقط، HS-LSTM لاكتشاف بنية العبارة الجملة. وجدت اثنين من تمثيل هيكل نموذج من المشاكل صنع القرار ليكون معبرا عنه كنسبة تسلسل، ووجد هيكل في التأثير على القرارات اتخاذ القرارات الحالية لاحقة، والتي يمكن حلها عن طريق RL التدرج السياسة.
وأظهرت النتائج أن هذه الطريقة يمكن أن تكون بدون تعليقات صريحة للتعلم هيكل من خلال تحديد الكلمات المهمة أو ذات الصلة مهمة المهام هيكل بادرة صداقة، وذلك للحصول على الأداء التنافسي.
QA التأكيد المستندة مع سؤال وإدراكا معلومات المفتوحة استخراج
الكاتب: تشاو يان، يو تانغ، دوان نان، ليو Shujie وانغ دي جيانغ داشين، تشو مينغ، لي Zhoujun
الوحدة: مايكروسوفت للبحوث آسيا
تليها HIT الدكتور فنغ شياو تشنغ بدلا من مايكروسوفت للبحوث آسيا كل من الدكتور يو تانغ ، قدمت أبحاثهم في مجال ضمان الجودة.
في هذا العمل، ويقترح المؤلفون على أساس Q & A-التأكيد المهمة (QA أساس التأكيد)، والتي هي مهمة أسئلة حقل مفتوح ردا على سؤال. بعد محركات البحث، للمستخدمين طرح الأسئلة، وسوف يتم تغذية المحرك مرة أخرى إلى الفقرة المتعلقة الاستجابة. ولكن هذا لا يساعد المستخدمين بسرعة الحصول على المعلومات التي تريدها. لتبسيط المعلومات محرك ردود الفعل، وفقرات الأسئلة المقترحة كمدخل، يبلغ حجم انتاجها تضم الابتدائية، التي مثلت ABQA القضايا ثلاثية بن التأكيد.
لحل هذه المشكلة، التي شيدت الكتاب مجموعة من بيانات تسمى WebAssertions، بما في ذلك 55960 (السؤال، مرور) و358427 (السؤال، والمرور، تأكيد).
ثم من أجل استخراج من التأكيد على الفقرة، وضعت الكتاب على صيغة لاستخراج وتوليد نوعين من الأساليب. وتظهر النتائج التجريبية التي طريقتين أكثر قدرة على إعطاء إجابات محددة مباشرة من مرور، وجزء دعم المؤلف من المعلومات. (وهنا يشير إلى ثلاثة أضعاف أكد)
(الدكتور شعور Xiefeng شياو تشنغ تصحيح لي!)
النهاية إلى النهاية نماذج لغة الكم مع التطبيق على الاسئلة الرد
الكاتب: تشانغ بينغ، نيو جيا بن، معرض سو، وانغ الأصدقاء، قاعدة حصانا، إلى حد كبير كلمات
الوحدة: جامعة تيانجين
من جامعة تيانجين سو المعرض ألقى تقرير مثير جدا للاهتمام، وظيفتهم لتمثيل نموذج اللغة من خلال الاعتماد على أساليب الفيزياء الإحصائية الكم، ومهمة لغة مسابقة.
النمذجة لغة (LM) هو أساس للأبحاث في مجال معالجة اللغة الطبيعية. في الآونة الأخيرة (Sordoni، نيه وBengio 2013) باستخدام النموذج الرياضي للالكم الفيزياء الإحصائية، الكم المقترحة نموذج اللغة (الكم اللغة النموذجي، QLM). على وجه التحديد، وهذا هو، توجه QLM على مفهوم مصفوفة كثافة ميكانيكا الكم، واحتمال فترة واحدة وعدم اليقين الاعتماد على المدى ترميز مصفوفة كثافة، ومقارنة مع نموذج ن غرام التقليدية، الكم تمثيل نموذج لغة الدرجة n فإنه لا زيادة معلمة الحجم عندما التبعية.
هذا الأسلوب هو مهم جدا من الناحية النظرية، لأنها وضعت لأول مرة نظرية الكم لتعزيز LM. ومع ذلك، كما أن لديها بعض القيود: 1) QLM يتم تمثيل كل كلمة في ناقل واحد الساخن، الذي يشفر الأحداث المحلية فقط، وليس النظر في المعلومات الدلالي العالمية؛ 2) QLM تمثل النص (على سبيل المثال، الاستعلام، الوثيقة مصفوفة الكثافة) أنها تحل من قبل متكررة بدلا من الحل التحليلي، فمن الصعب أن تحديث وتحسين مصفوفة كثافة في نهاية لتصميم الغاية؛ 3) تمثيل الكثافة QLM مصفوفة والتدريب والمباراة، ويمكن لهذه الخطوات الثلاث لا يكون، شارك الأمثل، مما يحد من QLM تطبيق.
لحل هذه المشاكل، وهذه المادة سوف الدراسي الأول كدولة ناقلات ناقلات كلمة واحدة، كلمة واحدة لنظام الدولة النقي، الجملة بأكملها يمكن أن تتوافق مع نظام الدولة المختلط ممثلة في مصفوفة كثافة. هذه المصفوفة كثافة يمكن أن تستمد من دون تقدير تكرارية، مصفوفة كثافة يمثل أيضا دمجها في بنية الشبكة العصبية وتحديثها تلقائيا من قبل خوارزمية العودة نشر.
24-1، يمثل جملة واحدة، يتم تمثيل الإسلام سؤال وجواب من قبل مصفوفة كثافة
وبناء على هذه الفكرة، ويقترح المؤلفون نموذج من اقصاه الى اقصاه (أي، نموذج الطبقات الكم لغة (NNQLM) بناء على الشبكات العصبية)، ومصممة اثنين أبنية مختلفة.
24-2، إطار نظرا لمصفوفة كثافة هو مصفوفة شبه أكيدة، مصفوفة كثافة المنتج قد تعكس درجة التشابه في التمثيل المشترك للأثر، من أجل تطبيق نموذج من النهاية إلى النهاية، يمثل قطري لمفصل مصفوفة العناصر النزرة كمدخل وطبقة مرتبطة ارتباطا كاملا.
تتبع المنتج الداخلي (تتبع المنتج الداخلية) قد تمثل التشابه بين أنظمة الكم اثنين. في Q مهمة مشتركة، (A) المنتج من الاثنين الموافق كثافة مصفوفة السؤال (Q) وجواب سؤال ويمكن التعبير عن الذي يمثل أثر للمشترك (أي تتبع المنتج الداخلي) مماثل لحساب سؤال وإجابة درجة، يمثل كل عنصر قطري تشابه كل فضاء جزئي الدلالي الكامنة.
24-3، المشتركة ثنائي كثافة مصفوفة التمثيل إطار الإلتواء، فقد بينت النتائج الإلتواء التشابه قد يكون أكثر بالكامل الاستفادة من المعلومات الواردة في كامنة الدلالي المشترك تمثيل فضاء جزئي
استخدام الكتاب هذا النموذج في المهام QA الكلاسيكية التي الجواب الاختيار (للعثور على الإجابات الصحيحة من المرشحين الإجابة قبل مختارة). وقد اظهرت النتائج أن NNQLM على WIKI بيانات QLM تحسن إلى حد كبير تأثير، والنتائج يغلق على الدولة من الفن في مجموعة البيانات TREC-QA.
حاليا، تقاطع ميكانيكا الكم والشبكات العصبية ولدت المجال البحثي الجديد من الكم الكم التعلم الآلي والذكاء الاصطناعي، وقد تعلق الأمر إلى وثائق مهمة نشرت في مجلة ساينس العلمية وغيرها من مستوى عال. نموذج اللغة أطروحة كنقطة انطلاق لهذه الميكانيكا عبر الحقل الكمومي والبحوث الشبكة العصبية، والأسئلة والأجوبة في مهام معالجة اللغة الطبيعية في مجال لغة الطبقة الكم أن ينفذ التدريب في نهاية النموذج، وتوسيع نموذج لغة الكم النظرية والتطبيقات.
(شكرا لمعرض سو تصحيح لي!)
EMD متري التعلم (تشانغ Zizhao، جامعة تسينغهوا)
الكاتب: Zhangzi تشاو تشانغ يوبو، تشاو شي بن، الوثب العالي
الوحدة: جامعة تسينغهوا
طلاب أخيرا الجامعية من جامعة تسينغهوا تشانغ Zaizhao هل هذا اخر ما قبل التقرير سيقول، تقرير الأمثل المحتوى لEMD قدر من العمل.
محرك الأرض والمسافة (EMD) كان في 2000 مقالة في مجلة IJCV "المسافة المحرك الأرض كمقياس للصورة استرجاع" أحد المقاييس المقترحة أساليب متعدد المتغيرات مماثلة، ويستخدم على نطاق واسع في المهام الرؤية الحاسوبية بين. ما يسمى EMD، هو الحل الأمثل لمشكلة مشكلة النقل التقليدية، هو ببساطة بالنظر الى اثنين توقيع (P و Q)، ليصبح الحد الأدنى من العمل المطلوب لآخر. EMD هو أصغر، والتشابه بين الكيانين.
25-1، EMD. حيث السمة هي مركز f_ei P_i (Q_i) هي، w_i هو المقابلة الوزن P_i (Q_i) الوزن. d_ij P_i إلى Q_j من تدفق تكاليف وحدة تزويد الشحن، f_ij المقابلة
EMD صيغة الحل هو
حاليا معظم أعمال التصميم ركزت على تسريع EMD وتطبيق EMD، EMD هناك القليل من العمل على الوجه الأمثل. لحل هذه المشكلة، فإن هذه الورقة يعرض خوارزمية EMD التعلم التدبير.
كما يمكن أن يرى من أعلاه المصفوفة بعد الصيغ الأرض D يكون لها تأثير كبير على EMD. وذلك من أجل تحسين EMD، ثم انتقل إلى تحسين D. على يتحدد الآخر D يدا بدوره عن طريق قياس كل منها على A، وبالتالي يمكن أن يكون الأمثل عن طريق تحسين EMD الأرضي القطر متري A.
25-3، إطار EMD التعلم التدبير
يتم تحديد طريقة من بيانات التدريب في مجموعة فرعية من هذه العينات البيانات للحصول على عدد من الثلاثيات تقليل حساب العملية الشاملة، ثم يبني وظيفة موضوعية، من خلال النموذج الأمثل وبالتناوب، والإجراء الأخير للحصول على مستقر A .
في الجزء التجريبي، يتم تطبيق مؤلف هذا الأسلوب لعرض متعددة تصنيف الكائن وتصنيف لهم وثيقة. وقد اظهرت النتائج أنه بالمقارنة مع الطرق التقليدية وأحدث الأساليب EMD، EMD قياس التعلم ورقتهم لديها أداء أفضل. وبالإضافة إلى ذلك، يمكن أيضا أن تطبق هذا الإجراء EMD طريقة التعلم إلى غيرها من المجالات.
(شكرا لتشانغ Zaizhao! الصحيح)
! ! ! ملاحظة! ! !
أن ما قبل الكلام قد انتهت، فإن الجزء العلوي تريد أن تبدأ. سوف لى فنغ التكنولوجيا شبكة AI يستعرض أيضا موقع ورود أنباء خط المواجهة. إذا كان لديك أوراق التعاقد AAAI، مرحبا بكم في الخلفية ترك معلومات الاتصال الخاصة بك، سوف نتصل بك، وإجراء مزيد من التبادلات!
