AAAI 2018預(yù)講會(huì)在哈工大成功舉辦，25篇頂會(huì)文章講了什么（下）

雷鋒網(wǎng) AI 科技評(píng)論按：1 月 6 日，由中國(guó)中文信息學(xué)會(huì)青年工作委員會(huì)（簡(jiǎn)稱「青工委」）主辦，哈爾濱工業(yè)大學(xué)社會(huì)計(jì)算與信息檢索研究中心（HIT-SCIR）承辦的『AAAI 2018 預(yù)講會(huì)』在哈爾濱工業(yè)大學(xué)成功舉辦。本次會(huì)議由華為和云孚科技提供贊助，雷鋒網(wǎng)作為獨(dú)家合作媒體，提供了在線直播，并對(duì)本次預(yù)講會(huì)做全程報(bào)道。

來(lái)張講者合照鎮(zhèn)樓！其中有教授、博士、研究生、本科生，覆蓋了學(xué)術(shù)研究的各個(gè)年齡層。

照片由哈工大李家琦提供

本次 AAAI 2018 預(yù)講會(huì)邀請(qǐng)了來(lái)自全國(guó)各地 15 所高校和研究單位的老師和同學(xué)分享他們?cè)?AAAI 2018 中接收的 25 篇論文，內(nèi)容覆蓋有聊天機(jī)器人、語(yǔ)義依存圖、文本摘要、機(jī)器翻譯、信息抽取、表示學(xué)習(xí)等多個(gè)領(lǐng)域的最新研究成果。會(huì)議吸引了 200 多名老師和學(xué)生來(lái)此參會(huì)并進(jìn)行交流。

我們?cè)凇?a href="http://www.zaocj.com/news/201801/ApM4q2rZONgoCSxz.html?type=preview" target="_blank">AAAI 2018預(yù)講會(huì)在哈工大成功舉辦，25篇頂會(huì)文章講了什么（上）》中已經(jīng)詳細(xì)介紹了其中的12篇文章，分別為：

Session 1

[1] Adversarial Learning for Chinese NER from Crowd Annotations

作者：楊耀晟，張梅山，陳文亮，張偉，王昊奮，張民

單位：蘇州大學(xué)人類語(yǔ)言技術(shù)研究所

[2] Adaptive Co-attention Network for Named Entity Recognition in Tweets

作者：張奇，傅金蘭，劉曉雨，黃萱菁

單位：復(fù)旦大學(xué)

[3] Large Scaled Relation Extraction with Reinforcement Learning

作者：曾祥榮，何世柱，劉康，趙軍

單位：中科院自動(dòng)化所

[4] Event Detection via Gated Multilingual Attention Mechanism

作者：劉健，陳玉博，劉康，趙軍

單位：中國(guó)科學(xué)院自動(dòng)化研究所

[5] Neural Networks Incorporating Dictionaries for Chinese Word Segmentation

作者：張奇，劉曉雨，傅金蘭

單位：復(fù)旦大學(xué)

[6] Learning Multimodal Word Representation via Dynamic Fusion Methods

作者：王少楠， 張家俊， 宗成慶

單位：自動(dòng)化所

Session 2

[7] Inferring Emotion from Conversational Voice Data: A Semi-supervisedMulti-path Generative Neural Network Approach

作者：周素平，賈珈，王琦，董宇飛，尹宇峰，雷克華

單位：清華大學(xué)

[8] Long Text Generation via Adversarial Training with Leaked Information

作者：郭家賢，盧思迪，蔡涵，張偉楠，汪軍，俞勇

單位：上海交通大學(xué)

[9] Style Transfer in Text: Exploration and Evaluation

作者：付振新，譚曉燁，彭楠赟，趙東巖，嚴(yán)睿

單位：北京大學(xué)計(jì)算機(jī)科學(xué)技術(shù)研究所

[10] Meta Multi-Task Learning for Sequence Modeling

作者：陳俊坤，邱錫鵬，劉鵬飛，黃萱菁

單位：復(fù)旦大學(xué)

[11] RUBER: An Unsupervised Method for Automatic Evaluation of Open-DomainDialog Systems

作者：陶重陽(yáng)，牟力立，趙東巖，嚴(yán)睿

單位：北京大學(xué)計(jì)算機(jī)科學(xué)技術(shù)研究所

[12] Exploring Implicit Feedback for Open Domain Conversation Generation

作者：張偉男，李凌志，曹東巖，劉挺

單位：哈爾濱工業(yè)大學(xué)

我們接下來(lái)將詳細(xì)介紹另外13場(chǎng)報(bào)告的內(nèi)容。分別為：

Session 3

[13] Neural Character Dependency Parsing for Chinese

作者：李浩楠，張智松，琚毓琪，趙海

單位：上海交通大學(xué)

[14] A Neural Transition-Based Approach for Semantic Dependency Graph Parsing

作者：王宇軒，車萬(wàn)翔，郭江，劉挺

單位：哈爾濱工業(yè)大學(xué)

[15] Asynchronous Bidirectional Decoding for Neural Machine Translation

作者：張祥文，蘇勁松，秦悅，劉洋，紀(jì)榮嶸，王鴻吉

單位：廈門大學(xué)

[16] Knowledge Graph Embedding with Iterative Guidance from Soft Rules

作者：郭舒，王泉，王麗宏，王斌，郭莉

單位：中國(guó)科學(xué)院信息工程研究所

[17] Embedding of Hierarchically Typed Knowledge Bases

作者：張日崇，孔繁爽，王晨玥，茆永軼

單位：北京航空航天大學(xué)

[18] Faithful to the Original: Fact Aware Neural Abstractive Summarization

作者：曹自強(qiáng)，韋福如，李文婕，李素建

單位：香港理工大學(xué)

[19] Twitter Summarization based on Social Network and Sparse Reconstruction

作者：賀瑞芳，段興義

單位：天津大學(xué)

Session 4

[20] Improving Review Representations with User Attention and ProductAttention for Sentiment Classification

作者：吳震 ，戴新宇，尹存燕，黃書劍，陳家駿

單位：南京大學(xué)

[21] Chinese LIWC Lexicon Expansion via Hierarchical Classification of WordEmbeddings with Sememe Attention

作者：曾祥楷，楊成，涂存超，劉知遠(yuǎn)，孫茂松

單位：清華大學(xué)

[22] Learning Structured Representation for Text Classification withReinforcement Learning

作者：張?zhí)鞊P(yáng)，黃民烈，趙立

單位：清華大學(xué)

[23] Assertion-based QA with Question-Aware Open Information Extraction

作者：閆昭，唐都鈺，段楠，劉樹杰，王文迪，姜大昕，周明，李舟軍

單位：微軟亞洲研究院

[24] End-to-End Quantum-like Language Models with Application to QuestionAnswering

作者：張鵬，牛嘉斌，蘇展，王本友，馬力群，宋大為

單位：天津大學(xué)

[25] EMD Metric Learning

作者：張子昭，張宇博，趙曦濱，高躍

單位：清華大學(xué)

Session 3（7場(chǎng)報(bào)告）

主持人：楊亮副教授，大連理工大學(xué)

[13] Neural Character Dependency Parsing for Chinese

作者：李浩楠，張智松，琚毓琪，趙海

單位：上海交通大學(xué)

經(jīng)過一個(gè)半小時(shí)的午間休息和討論后，Session 3 由來(lái)自上海交通大學(xué)的趙海教授開啟。

2009 年，趙海教授針對(duì)中文分詞過程中會(huì)受到詞義模糊影響的問題，提出了字符級(jí)依存分析的方案。這種方案有兩個(gè)好處：1）使用字符級(jí)樹避免了中文分詞不存在通用標(biāo)準(zhǔn)的問題；2）單詞內(nèi)部的深層次結(jié)構(gòu)為更深層次的處理提供了額外的信息，能夠更好地理解整個(gè)句子。

在此基礎(chǔ)上，這篇文章利用神經(jīng)模型來(lái)探索字符依存分析，提出了一個(gè)開放的字符級(jí)依存樹庫(kù) SCDT（首次提供了豐富的字符級(jí) POS 標(biāo)簽和依存類別標(biāo)簽）以及首個(gè)字符級(jí)別的神經(jīng)中文依存分析器。

實(shí)驗(yàn)顯示字符級(jí) POS 標(biāo)簽和依存標(biāo)簽對(duì)解析性能起著重要的作用。另外在主分析指標(biāo)方面，神經(jīng)字符依存分析要比無(wú)神經(jīng)網(wǎng)絡(luò)的分析器更有效。

（感謝趙海教授指正）

[14] A Neural Transition-Based Approach for Semantic Dependency Graph Parsing

作者：王宇軒，車萬(wàn)翔，郭江，劉挺

單位：哈爾濱工業(yè)大學(xué)

隨后由來(lái)自哈工大 SCIR 的王宇軒博士分享了他們?cè)谡Z(yǔ)義依存圖上的研究工作。

語(yǔ)義依存圖是近年來(lái)提出的對(duì)樹結(jié)構(gòu)句法或語(yǔ)義表示的擴(kuò)展，它與樹結(jié)構(gòu)的主要區(qū)別是允許一些詞擁有多個(gè)父節(jié)點(diǎn)，從而使其成為有向無(wú)環(huán)圖 (directed acyclic graph，DAG)。因此要獲得句子的語(yǔ)義依存圖，就需要對(duì)這種 DAG 進(jìn)行分析。目前大多數(shù)工作集中于研究淺層依存樹結(jié)構(gòu)，少有人研究如何對(duì) DAG 進(jìn)行分析。

這篇文章提出一種基于轉(zhuǎn)移的分析器，使用 list-based arc-eager 算法的變體對(duì)依存圖進(jìn)行分析。

[15] Asynchronous Bidirectional Decoding for Neural Machine Translation

作者：張祥文，蘇勁松，秦悅，劉洋，紀(jì)榮嶸，王鴻吉

單位：廈門大學(xué)

來(lái)自廈門大學(xué)的張祥文介紹了他們?cè)跈C(jī)器翻譯中一項(xiàng)有趣的工作。

傳統(tǒng)的機(jī)器翻譯中都是按照單向順序編碼。這種方法的一個(gè)缺點(diǎn)就是，一旦中間出現(xiàn)翻譯錯(cuò)誤，隨后的內(nèi)容就會(huì)出現(xiàn)很大的差錯(cuò)。本文作者提出了一種雙向編碼的新思路。

15-1，雙向編碼

實(shí)驗(yàn)結(jié)果相較之前的方法有顯著提升。但是這種效果的提升是以消耗計(jì)算量為代價(jià)的。Poster 環(huán)節(jié)中，張祥文也表示他們也曾考慮過跳序編碼的方法。

[16] Knowledge Graph Embedding with Iterative Guidance from Soft Rules

作者：郭舒，王泉，王麗宏，王斌，郭莉

單位：中國(guó)科學(xué)院信息工程研究所

隨后由來(lái)自中科院信息工程研究所的王泉副研究員報(bào)告了他們?cè)谥R(shí)圖譜表示學(xué)習(xí)方面的研究。

學(xué)習(xí)知識(shí)圖譜在低維向量空間中的分布式表示是當(dāng)前研究的熱點(diǎn)。最近，將分布式知識(shí)表示與傳統(tǒng)符號(hào)邏輯相結(jié)合引起了越來(lái)越多的關(guān)注。但是，以往的大多數(shù)嘗試采用一次性注入邏輯規(guī)則的方式，忽略了分布式知識(shí)表示學(xué)習(xí)和邏輯推理之間的交互性。此外，以往的方法只專注于處理硬規(guī)則，即那些總是成立、不能被違反的規(guī)則。這類規(guī)則通常需要耗費(fèi)大量的人力來(lái)編寫或驗(yàn)證。

本文作者提出了一種新的知識(shí)圖譜分布式表示學(xué)習(xí)方法——規(guī)則引導(dǎo)嵌入（rule-guided embedding，簡(jiǎn)記為 RUGE），借助軟規(guī)則的迭代引導(dǎo)完成知識(shí)圖譜表示學(xué)習(xí)。所謂軟規(guī)則，就是那些不總是成立、帶置信度的規(guī)則。這類規(guī)則可以經(jīng)由算法從知識(shí)圖譜中自動(dòng)抽取。

16-1，框架概述

具體來(lái)說(shuō)，RUGE 同時(shí)利用標(biāo)注三元組、未標(biāo)注三元組、自動(dòng)抽取出的軟規(guī)則這三種資源以迭代的方式進(jìn)行知識(shí)圖譜表示學(xué)習(xí)。每一輪迭代在軟標(biāo)簽預(yù)測(cè)和表示修正這兩個(gè)步驟間交替進(jìn)行。前者利用當(dāng)前學(xué)到的表示和軟規(guī)則為未標(biāo)注三元組預(yù)測(cè)軟標(biāo)簽；后者進(jìn)一步利用標(biāo)注三元組（硬標(biāo)簽）和未標(biāo)注三元組（軟標(biāo)簽）對(duì)當(dāng)前表示進(jìn)行修正。通過這個(gè)迭代過程，RUGE 可以成功建模分布式知識(shí)表示學(xué)習(xí)和邏輯推理二者間的交互性，邏輯規(guī)則中蘊(yùn)含的豐富知識(shí)也能被更好地傳遞到所學(xué)習(xí)的分布式表示中。

（感謝王泉副研究員指正！）

[17] Embedding of Hierarchically Typed Knowledge Bases（孔繁爽，北航）

作者：張日崇，孔繁爽，王晨玥，茆永軼

單位：北京航空航天大學(xué)

孔繁爽是來(lái)自北京航空航天大學(xué)的碩士生。她在報(bào)告中介紹了他們?cè)?embedding 過程中考慮實(shí)體類型的研究工作。

Embedding 已經(jīng)成為基于知識(shí)庫(kù)和各種嵌入模型的預(yù)測(cè)、推理、數(shù)據(jù)挖掘和信息檢索的重要手段。但是大多數(shù)模型都是「無(wú)類型的」，也即將知識(shí)庫(kù)僅僅視為一個(gè)實(shí)例集合，而不考慮實(shí)體的類型。

17-1 ，embedding過程中考慮實(shí)體類型

在這篇文章中，作者研究了實(shí)體類型信息在知識(shí)庫(kù) embedding 中的應(yīng)用。他們提出了一個(gè)框架，將一個(gè)通用的「無(wú)類型」嵌入模型添加到一個(gè)「有類型」嵌入模型中。這個(gè)框架將實(shí)體類型解釋為對(duì)所有實(shí)體集合的一個(gè)約束，并使這些類型約束在嵌入空間中同構(gòu)地引入一組子集。然后引入額外的 cost 函數(shù)來(lái)模擬這些約束與實(shí)體和關(guān)系的嵌入之間的適應(yīng)性。

（感謝孔繁爽指正！）

[18] Faithful to the Original: Fact-Aware Neural Abstractive Summarization

作者：曹自強(qiáng)，韋福如，李文婕，李素建

單位：香港理工大學(xué)

來(lái)自香港理工大學(xué)的曹自強(qiáng)博士在隨后的報(bào)告中提出，生成摘要不僅要保持信息充分，更重要的是信息的忠實(shí)性。

與抽取摘要不同，生成式摘要在融合原文本的過程中往往會(huì)創(chuàng)造出虛假的事實(shí)。曹自強(qiáng)在報(bào)告中介紹，目前有近 30% 的最先進(jìn)的神經(jīng)系統(tǒng)都會(huì)受到這種問題的困擾。以前生成式摘要主要著眼于信息性的提高，但作者認(rèn)為忠實(shí)性（也即「信」）是生成摘要的前提，非常重要。

18-1，模型框架

為了避免在生成摘要中產(chǎn)生虛假事實(shí)，作者使用了開放的信息抽取和依存分析技術(shù)從源文本中提取實(shí)際的事實(shí)描述，然后提出 dual-attention sequence-to-sequence 框架來(lái)強(qiáng)制以原文本和提取的事實(shí)描述為條件的生成。實(shí)驗(yàn)表明，他們的方法可以減少 80% 的虛假事實(shí)。

（感謝曹自強(qiáng)博士指正！）

[19] Twitter Summarization based on Social Network and Sparse Reconstruction

作者：賀瑞芳，段興義

單位：天津大學(xué)

來(lái)自天津大學(xué)的賀瑞芳副教授介紹了她們基于社交網(wǎng)絡(luò)和稀疏重構(gòu)的 Twitter 摘要研究工作。

隨著 Twitter 等微博服務(wù)的快速增長(zhǎng)，數(shù)百萬(wàn)用戶產(chǎn)生了大量短小而嘈雜的信息，使得人們很難快速掌握自己感興趣話題的概要信息。作者通過 Twitter summarization 來(lái)嘗試這個(gè)問題的解決，即從大量 Twitter 文本中提取摘要信息。

傳統(tǒng)摘要方法一般只考慮文本信息，現(xiàn)有推特摘要方法考慮了社會(huì)媒體的用戶級(jí)靜態(tài)特性，但卻忽視了推文之間的社交關(guān)系。受社會(huì)學(xué)理論的啟發(fā)（在社會(huì)網(wǎng)絡(luò)中有表達(dá)一致性和表達(dá)傳染性），作者提出了一種新的稱之為 Twitter Summarization based on Social Network and Sparse Reconstruction（SNSR）的微博摘要方法，這種方法能夠用于社交媒體情景中大規(guī)模、短小和嘈雜的文本上，采用稀疏重構(gòu)進(jìn)行推理。

作者在文章中將推文之間的關(guān)系建模為社會(huì)正則，將其整合到組稀疏優(yōu)化的微博摘要框架之中，并設(shè)計(jì)了多樣性正則來(lái)消除社交網(wǎng)絡(luò)帶來(lái)的強(qiáng)冗余信息。

由于缺乏公共語(yǔ)料庫(kù)，作者構(gòu)建了 12 個(gè)不同話題的標(biāo)準(zhǔn) Twitter 摘要數(shù)據(jù)集。在這個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，這個(gè)框架在處理社交媒體中大規(guī)模、短小及嘈雜消息的有效性。

（感謝賀瑞芳副教授指正！）

Session 4（6場(chǎng)報(bào)告）

主持人：丁效副教授，哈爾濱工業(yè)大學(xué)

[20] Improving Review Representations with User Attention and Product Attention for Sentiment Classification

作者：吳震 ，戴新宇，尹存燕，黃書劍，陳家駿

單位：南京大學(xué)

來(lái)自南京大學(xué)的吳震在 Session 4 環(huán)節(jié)介紹了他們?cè)谖臋n級(jí)別情感分類方面的研究工作。

在網(wǎng)絡(luò)平臺(tái)上有大量由用戶寫的文檔類型的評(píng)價(jià)，其中有些是表達(dá)用戶情感的，有些則是對(duì)產(chǎn)品本身的評(píng)價(jià)。如何根據(jù)這些評(píng)價(jià)信息推斷出用戶的情感表達(dá)是一個(gè)非常有意思的工作。

在這方面，唐都鈺等人（2015）在 CNN 網(wǎng)絡(luò)的基礎(chǔ)上添加了用戶和產(chǎn)品的偏置矩陣和表示矩陣來(lái)表示這些信息；陳慧敏等人（2016）在層次網(wǎng)絡(luò)中融入用戶和產(chǎn)品的這些信息。這兩個(gè)研究都獲得了很好的提升。

20-1，UPNN

20-2，USC+UPA

作者注意到，評(píng)論文本中有些詞表現(xiàn)出很強(qiáng)的用戶喜好，而有些詞則傾向于評(píng)價(jià)產(chǎn)品特點(diǎn)。其中觀點(diǎn)（理性評(píng)價(jià)）與產(chǎn)品更相關(guān)，而情緒（感性評(píng)價(jià)）則與用戶喜好關(guān)系更緊密。在此基礎(chǔ)上，作者提出了一個(gè)對(duì)稱的網(wǎng)絡(luò)模型：

20-3

在這個(gè)網(wǎng)絡(luò)中，左邊用來(lái)抽取用戶喜好的感性評(píng)價(jià)，右邊用來(lái)抽取產(chǎn)品評(píng)價(jià)的理性評(píng)價(jià)。此外為了綜合兩種視角，作者補(bǔ)充了一個(gè)組合策略。整體來(lái)看，損失函數(shù)表示為

其中三個(gè)參數(shù)可以調(diào)整以觀看不同的效果。其實(shí)驗(yàn)表明，這種模型要比目前 state-of-art 的一些模型有更好的效果。

[21] Chinese LIWC Lexicon Expansion via Hierarchical Classification of Word Embeddings with Sememe Attention

作者：曾祥楷，楊成，涂存超，劉知遠(yuǎn)，孫茂松

單位：清華大學(xué)

來(lái)自清華大學(xué)孫茂松組的楊成博士報(bào)告了他們?cè)谥形恼Z(yǔ)言查詢和字?jǐn)?shù)統(tǒng)計(jì)（LIWC）詞義擴(kuò)展的研究工作。

LIWC 是一個(gè)字?jǐn)?shù)統(tǒng)計(jì)軟件工具，已被用于許多領(lǐng)域的定量文本分析之中。由于其成功和普及，核心詞典已被翻譯成中文和許多其他語(yǔ)言。然而，其中的詞典只包含數(shù)千個(gè)單詞，與漢語(yǔ)常用單詞的數(shù)量相比是遠(yuǎn)遠(yuǎn)不足的。目前的方法通常需要手動(dòng)擴(kuò)展詞典，但是這往往需要太多時(shí)間，并且需要語(yǔ)言專家來(lái)擴(kuò)展詞典。

為了解決這個(gè)問題，作者提出了自動(dòng)擴(kuò)展 LIWC 詞典的方法。具體而言，作者認(rèn)為這個(gè)問題是一個(gè)層次分類的問題，并利用 seq2seq 模型來(lái)給詞典中的單詞分類。另外，作者還使用關(guān)注機(jī)制的義元信息來(lái)捕捉一個(gè)詞的確切含義，以便可以擴(kuò)展一個(gè)更精確、更全面的詞典。

（感謝楊成博士指正！）

[22] Learning Structured Representation for Text Classification via Reinforcement Learning

作者：張?zhí)鞊P(yáng)，黃民烈，趙立

單位：清華大學(xué)

隨后楊成博士代表黃民烈副教授介紹了他們?cè)趯W(xué)習(xí)文本分類的結(jié)構(gòu)表示方面的研究?jī)?nèi)容。

表征學(xué)習(xí)是自然語(yǔ)言處理中的一個(gè)基本問題。這篇文章研究如何學(xué)習(xí)文本分類的結(jié)構(gòu)化表示。

與大多數(shù)既不使用結(jié)構(gòu)也不依賴于預(yù)定義結(jié)構(gòu)的現(xiàn)有表示模型不同，作者提出了一種強(qiáng)化學(xué)習(xí)（RL）方法，通過自動(dòng)地優(yōu)化結(jié)構(gòu)來(lái)學(xué)習(xí)句子表示。

作者在文章中提出兩種結(jié)構(gòu)表示模型：Information Distilled LSTM (ID-LSTM) 和 Hierarchically Structured LSTM (HS-LSTM)。其中 ID-LSTM 只選擇重要的任務(wù)相關(guān)的單詞，HS-LSTM 則去發(fā)現(xiàn)句子中的短語(yǔ)結(jié)構(gòu)。兩種表示模型中的結(jié)構(gòu)發(fā)現(xiàn)被表述為一個(gè)順序決策問題，結(jié)構(gòu)發(fā)現(xiàn)的當(dāng)前決策影響隨后的決策，這可以通過策略梯度 RL 來(lái)解決。

結(jié)果表明，這種方法可以通過識(shí)別重要的詞或任務(wù)相關(guān)的結(jié)構(gòu)而無(wú)需明確的結(jié)構(gòu)注釋來(lái)學(xué)習(xí)任務(wù)友好的表示，從而獲得有競(jìng)爭(zhēng)力的表現(xiàn)。

[23] Assertion-based QA with Question-Aware Open Information Extraction

作者：閆昭，唐都鈺，段楠，劉樹杰，王文迪，姜大昕，周明，李舟軍

單位：微軟亞洲研究院

接下來(lái)由哈工大的馮驍騁博士代替微軟亞洲研究院的唐都鈺博士，介紹了他們?cè)谧詣?dòng)問答方面的研究工作。

在這項(xiàng)工作中，作者提出了一個(gè)基于斷言的問答任務(wù)（Assertion-based QA），這是一個(gè)開放的領(lǐng)域問題問答任務(wù)。在搜索引擎中，用戶提出問題后，引擎會(huì)反饋回一個(gè)相關(guān)的段落作為響應(yīng)。但是這并不利于用戶快速得到想要的信息。為了簡(jiǎn)化引擎反饋信息，作者提出將問題和段落作為輸入，輸出包含主、謂、賓三元組表示的斷言的 ABQA 問題。

為了解決這個(gè)問題，作者構(gòu)建了一個(gè)名為 WebAssertions 的數(shù)據(jù)集，其中包括 55960 個(gè)（question，passage）和 358427 個(gè)（question，passage，assertion）。

隨后為了從段落中提取出斷言，作者開發(fā)了提取式和生成式兩種方法。實(shí)驗(yàn)結(jié)果表明，這兩種方法都能夠較好地直接從段落中給出問題的具體答案，并包含部分支撐信息。（文中斷言泛指三元組）

（感謝馮曉騁博士指正！）

[24] End-to-End quantum language models with Application to Question? Answering

作者：張鵬，牛嘉斌，蘇展，王本友，馬力群，宋大為

單位：天津大學(xué)

來(lái)自天津大學(xué)的蘇展做了一場(chǎng)極為有意思的報(bào)告，他們的工作是通過借鑒量子統(tǒng)計(jì)物理中的方法來(lái)表示語(yǔ)言模型，并用于語(yǔ)問答任務(wù)。

語(yǔ)言建模（LM）是自然語(yǔ)言處理領(lǐng)域的基礎(chǔ)研究課題。最近（Sordoni，Nie 和 Bengio 2013）利用量子統(tǒng)計(jì)物理中的數(shù)學(xué)形式，提出了量子語(yǔ)言模型（Quantum Language Model，QLM）。具體來(lái)說(shuō)就是，QLM 借鑒了量子力學(xué)中密度矩陣的概念，將 single term 和 term dependency 的概率不確定性 encoding 到密度矩陣中，且與傳統(tǒng) n-gram 模型相比，量子語(yǔ)言模型在表示 n 階 dependency 時(shí)不會(huì)增加參數(shù)規(guī)模。

這種方法在理論上是非常重要的，因?yàn)樗鞘状斡昧孔永碚摰墓絹?lái)推廣 LM。但是其也有一些限制：1）QLM 中每個(gè)詞的表示是一個(gè) one-hot 向量，它只能編碼 local 事件，而不能考慮全局語(yǔ)義信息；2）QLM 通過密度矩陣表示文本（例如 query, document），它通過迭代求解而非解析求解，因此在端到端的設(shè)計(jì)中很難更新和優(yōu)化密度矩陣；3）QLM 中密度矩陣的表示、訓(xùn)練和匹配，這三個(gè)步驟無(wú)法共同優(yōu)化，限制了 QLM 的適用性。

針對(duì)這些問題，這篇文章首次將詞向量作為單個(gè)詞的狀態(tài)向量，單個(gè)詞表示一個(gè)純態(tài)系統(tǒng)，整個(gè)句子就可以對(duì)應(yīng)于由密度矩陣表示的混合態(tài)系統(tǒng)。這樣就可以在沒有迭代估計(jì)的情況下導(dǎo)出密度矩陣，密度矩陣表示也可以被集成到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中并通過反向傳播算法自動(dòng)更新。

24-1，單句表示，Question 和 Answer 分別用密度矩陣表示

基于這種思想，作者提出了一種端到端的模型（即基于神經(jīng)網(wǎng)絡(luò)的類量子語(yǔ)言模型（NNQLM）），并設(shè)計(jì)了兩種不同的體系結(jié)構(gòu)。

24-2，框架一 由于密度矩陣是一個(gè)半正定的矩陣，其聯(lián)合表示的跡內(nèi)積可以反映密度矩陣相似度，為了將其應(yīng)用于 End-to-End 模型，將聯(lián)合表示矩陣的對(duì)角線元素和跡作為全連接層的輸入。

跡內(nèi)積 (Trace Inner Product) 可表示兩個(gè)量子系統(tǒng)的相似度。在問答任務(wù)中，Question (Q) 和 Answer (A) 所對(duì)應(yīng)的兩個(gè)密度矩陣的乘積可作為 Q 和 A 的聯(lián)合表示，其聯(lián)合表示的跡（即跡內(nèi)積）可計(jì)算 Q 和 A 的相似度，每個(gè)對(duì)角線元素表示各個(gè)潛在語(yǔ)義子空間的相似度。

24-3，框架二 對(duì)密度矩陣的聯(lián)合表示進(jìn)行卷積操作，實(shí)驗(yàn)結(jié)果表明卷積可以更加充分地挖掘聯(lián)合表示中潛在語(yǔ)義子空間的相似性信息

作者將這個(gè)模型用在經(jīng)典的 QA 任務(wù)中，即答案選擇（從預(yù)選的候選答案中找出正確的答案）。實(shí)驗(yàn)結(jié)果表明，NNQLM 在 WIKI 數(shù)據(jù)集上顯著提升了 QLM 的效果，并在 TREC-QA 數(shù)據(jù)集接近了 state-of-art 的結(jié)果。

目前，量子力學(xué)和神經(jīng)網(wǎng)絡(luò)的交叉領(lǐng)域已經(jīng)衍生出量子機(jī)器學(xué)習(xí)和量子人工智能等新興研究方向，已有相關(guān)重要論文發(fā)表在 Science 等高水平期刊。該論文以語(yǔ)言模型為切入點(diǎn)，對(duì)量子力學(xué)和神經(jīng)網(wǎng)絡(luò)這一交叉領(lǐng)域進(jìn)行研究，并在自然語(yǔ)言處理領(lǐng)域的問答任務(wù)中實(shí)現(xiàn)了端到端訓(xùn)練的類量子語(yǔ)言模型，擴(kuò)展了量子語(yǔ)言模型的理論和應(yīng)用。

（感謝蘇展指正！）

[25] EMD Metric Learning（張子昭，清華）

作者：張子昭，張宇博，趙曦濱，高躍

單位：清華大學(xué)

最后來(lái)自清華的本科生張子昭做了本次預(yù)講會(huì)的最后一個(gè)報(bào)告，報(bào)告內(nèi)容為對(duì) EMD 度量的一個(gè)優(yōu)化工作。

Earth Mover's Distance (EMD) 是 2000 年 IJCV 期刊文章《The Earth Mover's Distance as a Metric for Image Retrieval》提出的一種多維分布相似度量方法，被廣泛應(yīng)用于計(jì)算機(jī)視覺等任務(wù)當(dāng)中。所謂 EMD，是傳統(tǒng)運(yùn)輸問題的最優(yōu)解問題，簡(jiǎn)單來(lái)說(shuō)就是給定兩個(gè) signature（P 和 Q），把一個(gè)變成另一個(gè)所需要的最小工作量。EMD 越小，實(shí)體之間就越相似。

 

25-1，EMD。其中 f_ei 是 P_i（Q_i）的中心的特征，w_i 是 P_i（Q_i）的相應(yīng)的權(quán)重。d_ij 是從 P_i 到 Q_j 運(yùn)送一個(gè)供給單位的成本，f_ij 是相應(yīng)的流量

EMD 求解公式為

目前大多數(shù)設(shè)計(jì) EMD 的工作都集中在 EMD 的加速和應(yīng)用上，很少有工作對(duì) EMD 進(jìn)行優(yōu)化。為了解決這樣的問題，這篇文章提出了一個(gè) EMD 度量學(xué)習(xí)的算法。

從上面的公式可以看出 ground distance matrix D 對(duì) EMD 有很大影響。所以要想優(yōu)化 EMD，那么就去優(yōu)化 D。從另一方面 D 又由相應(yīng)的度量 A 來(lái)決定，因此可以通過優(yōu)化 Ground Distance Metric A 來(lái)優(yōu)化 EMD。

 

25-3，EMD 度量學(xué)習(xí)框架

其方法是從訓(xùn)練數(shù)據(jù)中選擇出一個(gè)子集，對(duì)這些數(shù)據(jù)進(jìn)行采樣，得到一些三元組來(lái)減少整個(gè)方法的計(jì)算量；隨后構(gòu)建一個(gè)目標(biāo)函數(shù)，通過交替優(yōu)化模型，最后得到一個(gè)穩(wěn)定的度量 A。

在實(shí)驗(yàn)部分，作者將這種方法應(yīng)用于多視角對(duì)象分類和文檔分類當(dāng)中。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的 EMD 方法和最新的方法相比，他們提出的 EMD 度量學(xué)習(xí)方法具有更好的性能。此外，這種 EMD 度量學(xué)習(xí)方法也可以應(yīng)用于其他領(lǐng)域。

（感謝張子昭指正！）

！！！NOTE！！！

預(yù)講會(huì)已經(jīng)結(jié)束，頂會(huì)將要開始。屆時(shí)雷鋒網(wǎng) AI 科技評(píng)論也將到現(xiàn)場(chǎng)進(jìn)行一線報(bào)道。如果你也有論文被 AAAI 錄用 ，歡迎在后臺(tái)留下你的聯(lián)系方式，我們將與您聯(lián)系，并進(jìn)行更多交流！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。