雷鋒網(wǎng)AI科技評論按：本文首發(fā)于“哈工大SCIR”公眾號，雷鋒網(wǎng)AI科技評論獲授權轉載。

AAAI 2018, the 32nd AAAI Conference on Artificial Intelligence，將于2018年2月2日至7日在美國新奧爾良舉行。AAAI是人工智能領域的頂級國際會議，每年舉辦一次。

哈爾濱工業(yè)大學社會計算與信息檢索研究中心共有3篇論文被AAAI 2018錄用，下面是論文列表及介紹：

? Exploring Implicit Feedback for Open Domain Conversation Generation.

作者：張偉男，李凌志，曹東巖，周連強，劉挺.

在人機對話過程中，人們通常會表現(xiàn)出某種立場、情緒以及尷尬等狀態(tài)，我們稱這些狀態(tài)為用戶在人機對話過程中的隱式反饋。相比于任務型人機對話在對話結束后通過問卷的形式顯式地獲取用戶的反饋，隱式反饋更加自然且不需要用戶作出對話之外的反饋操作。在開放域人機對話中，用戶的隱式反饋普遍存在，因此本文將探尋人機對話過程中的用戶隱式反饋對于開放域對話生成的作用，在強化學習的框架下，將隱式反饋建模到對話獎勵函數(shù)中，獲得比baseline更好的對話生成效果。

? A Neural Transition-Based Approach for Semantic Dependency Graph Parsing. 

作者：王宇軒，車萬翔，郭江，劉挺.

語義依存圖是近年來提出的對樹結構句法或語義表示的擴展，它與樹結構的主要區(qū)別是允許一些詞擁有多個父節(jié)點，從而使其成為有向無環(huán)圖(directed acyclic graph，DAG)。因此要獲得句子的語義依存圖，就需要對這種DAG進行分析。然而目前大多數(shù)工作集中于研究淺層依存樹結構，少有人研究如何對DAG進行分析。本文提出一種基于轉移的分析器，使用list-based arc-eager算法的變體對依存圖進行分析。此外，我們還提出了兩種有效的神經網(wǎng)絡模塊，分別用于獲得轉移系統(tǒng)中緩存和子圖更好的表示。我們在SemEval-2016 Task 9 (中文)和SemEval-2015 Task 18 (英文)兩個數(shù)據(jù)集上的實驗都取得了很好結果。此外，我們的系統(tǒng)能通過簡單的模型合并方法進一步提高性能。

? Hierarchical Attention Flow for Multiple-choice Reading Comprehension. 

作者：朱海潮，韋福如，秦兵，劉挺.

針對選擇題型的機器閱讀理解，本文充分挖掘了候選項在回答問題時的作用，在利用候選項加強對原文理解的同時，還考慮到候選項之間的關系。并且結合篇章層次結構，原文、問題和候選項得以在詞級別和句子級別進行充分交互。本文提出的模型在RACE數(shù)據(jù)集上的取得了顯著優(yōu)于兩個神經網(wǎng)絡基準模型的結果。

我們后續(xù)會陸續(xù)發(fā)布論文作者對其論文的詳細介紹，敬請期待。    

雷峰網(wǎng)版權文章，未經授權禁止轉載。詳情見轉載須知。