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(quán)轉(zhuǎn)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(lǐng)域的頂級國際會議，每年舉辦一次。

哈爾濱工業(yè)大學(xué)社會計(jì)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(qiáng)，劉挺.

在人機(jī)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(jī)對話過程中的隱式反饋。相比于任務(wù)型人機(jī)對話在對話結(jié)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(jī)對話中，用戶的隱式反饋普遍存在，因此本文將探尋人機(jī)對話過程中的用戶隱式反饋對于開放域?qū)υ捝傻淖饔?，在?qiáng)化學(xué)習(xí)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(jié)構(gòu)句法或語義表示的擴(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父節(jié)點(diǎn)，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(jìn)行分析。然而目前大多數(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DAG進(jìn)行分析。本文提出一種基于轉(zhuǎn)移的分析器，使用list-based arc-eager算法的變體對依存圖進(jìn)行分析。此外，我們還提出了兩種有效的神經(jīng)網(wǎng)絡(luò)模塊，分別用于獲得轉(zhuǎn)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(shí)驗(yàn)都取得了很好結(jié)果。此外，我們的系統(tǒng)能通過簡單的模型合并方法進(jìn)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(jī)器閱讀理解，本文充分挖掘了候選項(xiàng)在回答問題時的作用，在利用候選項(xiàng)加強(qiáng)對原文理解的同時，還考慮到候選項(xiàng)之間的關(guān)系。并且結(jié)合篇章層次結(jié)構(gòu)，原文、問題和候選項(xiàng)得以在詞級別和句子級別進(jìn)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(jīng)網(wǎng)絡(luò)基準(zhǔn)模型的結(jié)果。

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

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