IJCAI-ECAI 2018公布結(jié)果，哈工大SCIR 六篇長文被錄用

雷鋒網(wǎng) AI科技評論按：IJCAI-ECAI 2018, the 27th International Joint Conference on Artificial Intelligence and the 23rd European Conference on Artificial Intelligence 將于 2018 年 7 月 13 日至 19 日在瑞典斯德哥爾摩舉行。IJCAI 是人工智能領(lǐng)域的頂級國際會議，是 CCF A 類會議，起于 1969 年每兩年舉辦一次，自 2016 年起每年舉辦一次。ECAI 是歐洲人工智能領(lǐng)域最重要的會議，自 1974 年每兩年舉辦一次。IJCAI-ECAI 2018 今年由 IJCAI、EurAI 和 SAIS 聯(lián)合發(fā)起舉辦。

哈爾濱工業(yè)大學(xué)社會計算與信息檢索研究中心共有 6 篇論文被 IJCAI-ECAI 2018 錄用。下面是論文列表及介紹，雷鋒網(wǎng)獲「哈工大SCIR」公眾號授權(quán)分享。

Constructing Narrative Event Graph for Script Event Prediction.

作者：李忠陽，丁效，劉挺.

這是我們實驗室在事理圖譜方向發(fā)表的第一篇人工智能頂級會議論文。我們提出通過構(gòu)建事理圖譜來更好地利用事件之間的稠密連接信息，以幫助腳本事件預(yù)測任務(wù)。為了解決大規(guī)模事理圖譜圖結(jié)構(gòu)上的推斷問題，我們提出了一個可擴展的圖神經(jīng)網(wǎng)絡(luò)模型（SGNN），來學(xué)習(xí)事件之間的交互作用并學(xué)習(xí)到更好的事件表示。在腳本事件預(yù)測任務(wù)上，我們的方法取得了 SOTA 的結(jié)果。

Domain Adaptation via Tree Kernel Based Maximum Mean Discrepancy for User Consumption Intention Identification.

作者：丁效，蔡碧波，劉挺，石乾坤.

我們提出了基于樹結(jié)構(gòu)的最大化平均差異（Maximum Mean Discrepancy）方法，可以更好地將神經(jīng)網(wǎng)絡(luò)高層神經(jīng)元的特征從源領(lǐng)域遷移到目標領(lǐng)域，從而解決了基于神經(jīng)網(wǎng)絡(luò)的領(lǐng)域遷移方法在高層神經(jīng)元上遷移效果不佳的問題。在消費意圖五個領(lǐng)域的數(shù)據(jù)集上，通過對任意兩個領(lǐng)域（共 20 個遷移對）進行遷移實驗，本文提出的方法取得了 SOTA 的結(jié)果。

Improving Low Resource Named Entity Recognition using Cross-lingual Knowledge Transfer.

作者：馮驍騁，馮夏沖，秦兵，劉銘，劉挺.

在稀缺資源語言實體識別任務(wù)中，我們在原有 LSTM-CRF 模型的基礎(chǔ)上，利用雙語詞典作為跨語言信息傳播橋梁，為每個稀缺資源語言詞語學(xué)習(xí)英文語義空間下的語義表示，并映射到稀缺資源語言空間增強原有表示。在西班牙語、荷蘭語和中文三種語言數(shù)據(jù)集上進行實驗，結(jié)果顯示，通過加入跨語言信息表示，實體識別性能平均提高大于 3%。

Improving Entity Recommendation with Search Log and Multi-Task Learning.

作者：黃際洲，張偉，孫雅銘，王海峰，劉挺.

本文研究如何利用搜索會話中的歷史查詢這一上下文信息來提升實體推薦的效果。為此，我們提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)模型，以更好地利用搜索日志學(xué)習(xí)出查詢及上下文表示。我們在大規(guī)模、真實搜索日志上進行實驗，證明了我們提出的方法能夠有效地幫助提升實體推薦任務(wù)的效果。

Joint Extraction of Entities and Relations Based on a Novel Graph Scheme.

作者：王少磊，張岳，車萬翔，劉挺.

在本研究中，我們將實體識別和關(guān)系抽取聯(lián)合任務(wù)建模成一個有向圖的問題，并提出了一種基于轉(zhuǎn)移的方法來直接生成有向圖。我們的方法能充分的表示和利用實體和關(guān)系之間，以及關(guān)系與關(guān)系之間的依賴現(xiàn)象，并在公開數(shù)據(jù)集 NYT 上取得了很好的效果。

Topic-to-Essay Generation with Neural Networks.

作者：馮驍騁，劉家豪，秦兵，劉挺.

在本文中，我們提出了段落級作文生成任務(wù)，其輸入為固定個數(shù)的主題詞，輸出是一段關(guān)于這些主題詞的作文描述；在方法層面，我們采用 Seq2Seq 的神經(jīng)網(wǎng)絡(luò)框架，針對多主題輸入情況，我們加入主題感知的 coverage 方法，使得作文能夠在表達不同主題語義的情況下，著重針對某一主題進行表述。我們自動構(gòu)建了兩個作文相關(guān)語料庫，并通過客觀和主觀評價說明我們的模型結(jié)果均優(yōu)于基線方法。

相關(guān)文章：

哈工大 AAAI 2018 錄用論文解讀：基于轉(zhuǎn)移的語義依存圖分析 | 分享總結(jié)

劉挺教授擔(dān)任首席科學(xué)家，哈工大SCIR十八年技術(shù)轉(zhuǎn)入，這是又一只獨角獸嗎？

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

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

哈工大社會計算與信息檢索研究中心3篇長文被AAAI 2018錄用 | AAAI 2018