KDD，國(guó)際數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)大會(huì)，全稱：ACM SIGKDD Conference on Knowledge Discovery and DataMining，是數(shù)據(jù)挖掘領(lǐng)域國(guó)際最高級(jí)別會(huì)議。

KDD“圖深度學(xué)習(xí)國(guó)際研討會(huì)：方法與應(yīng)用（DLG 2019）”于2019年8月5日在美國(guó)阿拉斯加安克雷奇市舉辦。值得一提的是，國(guó)內(nèi)人工智能獨(dú)角獸乂學(xué)教育-松鼠AI深度參與的研究項(xiàng)目包攬了研討會(huì)的最佳論文和最佳學(xué)生論文獎(jiǎng)項(xiàng)。

深度學(xué)習(xí)是當(dāng)今人工智能研究的核心。不過(guò)，由于這項(xiàng)技術(shù)無(wú)法直接應(yīng)用于圖形結(jié)構(gòu)數(shù)據(jù)上，這也推動(dòng)了學(xué)界對(duì)圖深度學(xué)習(xí)的探索。過(guò)去幾年，基于圖形結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)在社交網(wǎng)絡(luò)、生物信息學(xué)和醫(yī)學(xué)信息學(xué)等領(lǐng)域取得了顯著的成果。

自1995年以來(lái)，KDD大會(huì)連續(xù)舉辦了二十余屆，每年的接收率不超過(guò)20%，今年的接收率不到15%。

值得一提的是，今年也是KDD采用雙盲評(píng)審的第一年。依然分為研究賽道和應(yīng)用賽道。

其中，據(jù)已公開消息，KDD研究賽道共收到1179篇投稿，其中111篇被接收為Oral論文，63篇被接收為Poster論文，入選率14.8%。

應(yīng)用賽道收到700余篇論文，其中大45篇被接收為Oral論文，100篇被接收為Poster論文，接收率20.7%。

相較而言，KDD 2018年研究賽道接收181篇，接收率為18.4%，應(yīng)用賽道接受112篇，接收率22.5%。

作為全球頂尖數(shù)據(jù)挖掘會(huì)議—第25屆ACM SIGKDD知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘會(huì)議（KDD）— 的分支，DLG 2019旨在匯聚自不同背景和觀點(diǎn)的學(xué)術(shù)研究人員和從業(yè)者，分享在圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域的前沿技術(shù)。

最佳論文：利用圖神經(jīng)網(wǎng)絡(luò)解決基于RDF數(shù)據(jù)的文本生成問(wèn)題

獲得最佳論文的是來(lái)自華中師范大學(xué)、IBM研究院和乂學(xué)教育-松鼠AI的研究《Exploiting Graph Neural Networks with Context Information for RDF-to-Text Generation 》，這篇論文研究的是基于RDF數(shù)據(jù)的文本生成，該任務(wù)是在給定一組RDF三元組的情況下生成相應(yīng)的描述性文本。

大多數(shù)先前的方法要么將此任務(wù)轉(zhuǎn)換為序列到序列（Seq2Seq）的問(wèn)題，要么使用基于圖形的編碼器對(duì)RDF三元組進(jìn)行建模并解碼文本序列。但這些方法都不能明確地模擬三元組內(nèi)和三元組之間的全局和局部結(jié)構(gòu)信息。此外，它們沒(méi)有利用目標(biāo)文本作為建模復(fù)雜RDF三元組的附加上下文內(nèi)容。 

為了解決這些問(wèn)題，論文作者提出通過(guò)將圖編碼器和基于圖形的三重編碼器進(jìn)行組合，從而學(xué)習(xí)RDF三元組的局部信息和全局結(jié)構(gòu)信息。此外，研究者還使用基于Seq2Seq的自動(dòng)編碼器，利用目標(biāo)文本作為上下文監(jiān)督圖編碼器的學(xué)習(xí)。

WebNLG數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，研究團(tuán)隊(duì)提出的模型優(yōu)于最先進(jìn)（state of the art）的基線方法。

論文作者：

高含寧，吳凌飛，胡佰，許芳麗 （吳凌飛來(lái)自IBM研究院，許芳麗來(lái)自乂學(xué)教育-松鼠AI，其余作者來(lái)自華中師范大學(xué)）

為什么這項(xiàng)研究重要：

資源描述框架（Resource Description Frameworks） 是在結(jié)構(gòu)化知識(shí)庫(kù)中表達(dá)實(shí)體及其關(guān)系的常用框架。 基于W3C標(biāo)準(zhǔn)，每個(gè)RDF數(shù)據(jù)是由三個(gè)元素組成的三元組，形式為（主語(yǔ)，謂語(yǔ)，賓語(yǔ)）。

在自然語(yǔ)言生成（NLG）中，基于RDF數(shù)據(jù)的文本生成是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因其廣泛的工業(yè)應(yīng)用而備受研究者的關(guān)注，包括基于知識(shí)的問(wèn)答系統(tǒng)、實(shí)體摘要、數(shù)據(jù)驅(qū)動(dòng)的新聞生成等等。

“比如你有一個(gè)知識(shí)圖譜，然后你需要做一個(gè)問(wèn)答系統(tǒng)。比如你有一個(gè)SparQL（RDF開發(fā)的一種查詢語(yǔ)言），然后你去查詢這個(gè)知識(shí)圖譜，這樣會(huì)返回一個(gè)RDF。RDF人是很難看懂的，所以這篇論文的初衷是可不可以把這個(gè)RDF返回的答案轉(zhuǎn)換成自然語(yǔ)言，這樣就能很自然的讀懂返回的答案是什么意思?！闭撐淖髡咧?、來(lái)自IBM研究院的吳凌飛博士解釋說(shuō)。

挑戰(zhàn)何在：

隨著端到端深度學(xué)習(xí)取得了巨大進(jìn)展，尤其是各種Seq2Seq模型，基于RDF數(shù)據(jù)的文本生成已經(jīng)取得了實(shí)足的進(jìn)步。然而，如果簡(jiǎn)單地將RDF三元組轉(zhuǎn)換為序列，可能會(huì)丟失重要的高階信息。

由于RDF三元組可以被表達(dá)為知識(shí)圖，因此研究人員最近提出了兩種基于圖網(wǎng)絡(luò)的方法，但都分別存在缺陷：比如基于循環(huán)神經(jīng)網(wǎng)絡(luò)的模型無(wú)法表達(dá)實(shí)體和關(guān)系之間豐富的局部結(jié)構(gòu)信息，而基于改進(jìn)的圖卷積網(wǎng)絡(luò)（GCN）的圖編碼器無(wú)法表達(dá)三元組內(nèi)和三元組之間的全局信息。

核心貢獻(xiàn)：

為了解決上述問(wèn)題，論文作者提出了一種新穎的神經(jīng)網(wǎng)絡(luò)架構(gòu)，它利用基于圖神經(jīng)網(wǎng)絡(luò)和上下文信息，試圖提高模型基于RDF數(shù)據(jù)生成文本的能力。

研究團(tuán)隊(duì)提出了一種新的基于圖結(jié)構(gòu)的編碼器模型，它結(jié)合了GCN編碼器和GTR-LSTM三重編碼器，為RDF三元組的多個(gè)視角輸入建模，學(xué)習(xí)RDF三元組的局部和全局結(jié)構(gòu)信息。

兩個(gè)編碼器都生成一組節(jié)點(diǎn)表征，GCN生成的節(jié)點(diǎn)更好地捕捉RDF三元組內(nèi)的局部結(jié)構(gòu)信息，而GTR-LSTM生成的節(jié)點(diǎn)主要關(guān)注全局結(jié)構(gòu)信息，研究團(tuán)通過(guò)結(jié)合GCN和GTR-LSTM的節(jié)點(diǎn)，通過(guò)平均池化獲得圖嵌入。

由于目標(biāo)參考文本包含與三元組幾乎相同的信息，因此，研究團(tuán)隊(duì)繼而使用基于Seq2Seq的自動(dòng)編碼器，利用目標(biāo)文本作為輔助上下文來(lái)監(jiān)督圖編碼器的學(xué)習(xí)。

實(shí)驗(yàn)結(jié)果：

研究團(tuán)隊(duì)使用WEBNLG數(shù)據(jù)集，該數(shù)據(jù)集由資源側(cè)三元數(shù)據(jù)集和目標(biāo)側(cè)參考文本組成。 每個(gè)RDF三元組表達(dá)為（主語(yǔ)，關(guān)系，賓語(yǔ)）。

整個(gè)數(shù)據(jù)集分為18102個(gè)訓(xùn)練對(duì)，2495個(gè)驗(yàn)證對(duì)和2269個(gè)測(cè)試對(duì)。實(shí)驗(yàn)采用WebNLG挑戰(zhàn)的標(biāo)準(zhǔn)評(píng)估指標(biāo)，包括BLEU和METEOR。

實(shí)驗(yàn)結(jié)果表明，研究團(tuán)隊(duì)提出的模型能夠更好地對(duì)RDF三元組的全局和局部圖結(jié)構(gòu)進(jìn)行編碼，模型比WebNLG數(shù)據(jù)集上的其他基線模型高出約2.0 BLEU點(diǎn)。

此外，研究團(tuán)隊(duì)也手動(dòng)評(píng)估了不同模型的結(jié)果。他們發(fā)現(xiàn)涉及GCN編碼器的模型在表達(dá)實(shí)體之間的正確關(guān)系方面時(shí)表現(xiàn)更好；目標(biāo)文本自動(dòng)編碼器和GTR-LSTM編碼器在生成與RDF三元組之間的上下文信息相關(guān)聯(lián)的文本方面表現(xiàn)更好。

在進(jìn)一步的研究中，研究團(tuán)隊(duì)發(fā)現(xiàn)，他們提出的模型中有四個(gè)關(guān)鍵因素可能會(huì)影響生成文本的質(zhì)量。它們分別是目標(biāo)文本自動(dòng)編碼器，它將有助于集成目標(biāo)測(cè)上下文信息；因子Ldis，能最小化圖形表達(dá)和文本表達(dá)之間的距離；GCN編碼器和GTR-LSTM編碼器，它們對(duì)三元組的本地和全局信息進(jìn)行編碼。

最佳學(xué)生論文：基于圖神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分析實(shí)證研究

獲得最佳學(xué)生論文的是來(lái)自南京大學(xué)、IBM研究院和乂學(xué)教育-松鼠AI的研究《An Empirical Study of Graph Neural Networks Based Semantic Parsing》，這篇論文研究的是基于圖神經(jīng)網(wǎng)絡(luò)語(yǔ)義解析。

現(xiàn)有的神經(jīng)語(yǔ)義解析器要么只考慮用于編碼或解碼的單詞序列，要么忽略對(duì)解析目的有用的重要語(yǔ)法信息。 在本文中，論文作者提出了一種新的基于圖神經(jīng)網(wǎng)絡(luò)（GNN）的神經(jīng)語(yǔ)義解析器，即由圖形編碼器和分層樹解碼器組成的Graph2Tree。 

論文作者：

李書城，吳凌飛，馮詩(shī)偉，許芳麗，許封元，仲盛  (吳凌飛來(lái)自IBM研究院，許芳麗來(lái)自乂學(xué)教育-松鼠AI，其余作者來(lái)自南京大學(xué)）

為什么這項(xiàng)研究重要：

作為自然語(yǔ)言處理（NLP）中的一個(gè)經(jīng)典任務(wù)，語(yǔ)義解析（Sematic Parsing）是將自然語(yǔ)言的句子轉(zhuǎn)換為機(jī)器可解析的語(yǔ)義表征。工業(yè)界有大量基于語(yǔ)義解析的成熟應(yīng)用，如問(wèn)答系統(tǒng)、語(yǔ)音助手和代碼生成等等。

在過(guò)去的兩年間，隨著神經(jīng)編解碼方法的引入，語(yǔ)義分析模型也隨之發(fā)生了巨大的變化。近年來(lái)，研究者開始開發(fā)具有Seq2Seq模型的神經(jīng)語(yǔ)義解析器，這些解析器已經(jīng)取得了顯著的成果。

挑戰(zhàn)何在：

由于語(yǔ)義表征通常是結(jié)構(gòu)化對(duì)象（例如樹形結(jié)構(gòu)），因此研究人員投入了大量精力來(lái)開發(fā)基于結(jié)構(gòu)的解碼器，包括樹形解碼器、語(yǔ)法約束解碼器、語(yǔ)義圖生成的動(dòng)作序列、以及基于抽象語(yǔ)法樹的模塊化解碼器。 

盡管這些方法取得了令人印象深刻的成果，但它們只考慮單詞序列信息，而忽略了編碼器端可用的其他豐富的語(yǔ)法信息，如依存樹（dependency tree）或短語(yǔ)結(jié)構(gòu)樹（constituency tree）。

最近，研究人員已經(jīng)證明了圖神經(jīng)網(wǎng)絡(luò)在各種NLP任務(wù)中的重要應(yīng)用，包括神經(jīng)機(jī)器翻譯、信息提取、和基于AMR的文本生成。 在語(yǔ)義解析中，研究人員曾提出過(guò)Graph2Seq模型，將依存樹和短語(yǔ)結(jié)構(gòu)樹與單詞序列結(jié)合起來(lái)，然后創(chuàng)建一個(gè)語(yǔ)法圖作為編碼輸入。 然而，這種方法只是將邏輯形式視為一個(gè)序列，而忽略了解碼器體系結(jié)構(gòu)中結(jié)構(gòu)化對(duì)象（如樹）中的豐富信息。

核心貢獻(xiàn)：

論文作者提出了一種新的基于圖網(wǎng)絡(luò)的神經(jīng)語(yǔ)義解析器，即由一個(gè)圖形編碼器和一個(gè)分層樹形解碼器組成的Graph2Tree。

圖形編碼器將語(yǔ)法圖（syntactic graph）有效地編碼為矢量表征，而該語(yǔ)法圖是從單詞序列和相應(yīng)的依存解析樹或短語(yǔ)結(jié)構(gòu)樹構(gòu)建的。具體而言，研究團(tuán)隊(duì)先將原始文本數(shù)據(jù)相應(yīng)的語(yǔ)法關(guān)系自然地結(jié)合到輸入序列中，形成一個(gè)圖形數(shù)據(jù)結(jié)構(gòu)，然后用圖形編碼器從這個(gè)圖形架構(gòu)中學(xué)習(xí)到高質(zhì)量的矢量表征。

樹形解碼器從學(xué)習(xí)好的圖級(jí)矢量表征中解碼邏輯形式，充分學(xué)習(xí)邏輯形式表征的組成性質(zhì)。同時(shí)，研究團(tuán)隊(duì)還提出在對(duì)應(yīng)原始單詞令牌和解析樹節(jié)點(diǎn)的不同節(jié)點(diǎn)表征上計(jì)算單獨(dú)的注意機(jī)制，以計(jì)算用于解碼樹結(jié)構(gòu)化輸出的最終上下文向量。 然后通過(guò)聯(lián)合訓(xùn)練，在給定語(yǔ)法圖的情況下來(lái)最大化正確描述的條件對(duì)數(shù)概率。

這篇論文一個(gè)比較大特點(diǎn)是自然語(yǔ)言的input和邏輯形式的output，兩邊都是結(jié)構(gòu)化對(duì)象，把輸入語(yǔ)句變成語(yǔ)法圖，然后做input，邏輯形式是一個(gè)結(jié)構(gòu)化ouput，用樹形解碼器來(lái)解碼，可以最好的利用隱含的結(jié)構(gòu)化信息和輸出的時(shí)候?qū)ο蟮奶攸c(diǎn)。

此外，研究團(tuán)隊(duì)還研究了不同語(yǔ)法圖架構(gòu)對(duì)GNN語(yǔ)義分析性能的影響。它們發(fā)現(xiàn)，由于依存樹解析器或復(fù)雜短語(yǔ)結(jié)構(gòu)樹的不完美性，圖形架構(gòu)引入的噪聲信息和結(jié)構(gòu)復(fù)雜性都可能導(dǎo)致對(duì)基于GNN的語(yǔ)義解析器性能的顯著不利影響。

實(shí)驗(yàn)結(jié)果：

研究團(tuán)隊(duì)通過(guò)實(shí)驗(yàn)希望回答幾個(gè)問(wèn)題：i）使用什么語(yǔ)法圖能讓基于圖網(wǎng)絡(luò)的方法表現(xiàn)良好？ ii）通過(guò)正確構(gòu)建的圖形輸入，Graph2Tree與基線方法相比表現(xiàn)會(huì)更好嗎？

研究團(tuán)隊(duì)在三個(gè)基準(zhǔn)數(shù)據(jù)集JOBS、GEO和ATIS上評(píng)估了Graph2Tree框架。第一個(gè)是個(gè)工作列表數(shù)據(jù)庫(kù)JOBS，第二個(gè)是美國(guó)地理數(shù)據(jù)庫(kù)GEO，最后一個(gè)是航班預(yù)訂系統(tǒng)數(shù)據(jù)集ATIS。 

在數(shù)據(jù)集JOBS和GEO的比較結(jié)果中，研究團(tuán)隊(duì)觀察到，無(wú)論使用何種類型的圖形結(jié)構(gòu)，Graph2Tree在基于圖形輸入生成高質(zhì)量邏輯形式方面要優(yōu)于Graph2Seq模型。

在圖架構(gòu)方面，如果由CoreNLP工具產(chǎn)生的噪音導(dǎo)致語(yǔ)義解析錯(cuò)誤，那么兩個(gè)解析器的性能都會(huì)降低，甚至不能與只有Word Order的解析器相比。

類似地，短語(yǔ)結(jié)構(gòu)樹的跳躍大小 — 即結(jié)構(gòu)復(fù)雜性 — 也對(duì)性能有很大影響。如果結(jié)構(gòu)信息壓倒性或極少，解析器的性能也會(huì)下降。

相反，當(dāng)通過(guò)某種方法控制或減少輸入引起的噪聲時(shí)，可以顯著提高Word Order + 依存數(shù)的性能；選擇正確的圖層時(shí)，也可以提高Word Order + 短語(yǔ)結(jié)構(gòu)樹的表現(xiàn)。例如，單層切割中的Word Order + 短語(yǔ)結(jié)構(gòu)樹的邏輯形式精度分別高于Word Order。

乂學(xué)教育-松鼠AI崔煒：自適應(yīng)學(xué)習(xí)的圖深度學(xué)習(xí)和知識(shí)圖

當(dāng)天的研討會(huì)由SIGKDD主席、京東集團(tuán)副總裁裴健發(fā)表開場(chǎng)詞，并邀請(qǐng)了來(lái)自斯坦福大學(xué)、清華大學(xué)、UCLA、UIUC等高校的學(xué)者發(fā)表演講。

乂學(xué)教育-松鼠AI首席科學(xué)家崔煒博士也受大會(huì)邀請(qǐng)，介紹了目前圖深度學(xué)習(xí)和知識(shí)圖在自適應(yīng)學(xué)習(xí)中的進(jìn)展。

乂學(xué)教育自主研發(fā)的松鼠AI智適應(yīng)在線學(xué)習(xí)系統(tǒng)，能不斷地監(jiān)測(cè)和評(píng)估學(xué)生個(gè)體的能力，發(fā)現(xiàn)他們學(xué)習(xí)中的弱點(diǎn)與不足，并讓學(xué)生按照自己的步伐進(jìn)步，提高學(xué)習(xí)成果。該系統(tǒng)提供優(yōu)化的學(xué)習(xí)解決方案和同步的輔導(dǎo)支持，最大限度地提高學(xué)習(xí)效率，并提高學(xué)生的知識(shí)、技能和能力。

多年來(lái)，中國(guó)教育存在的高級(jí)教師資源短缺和地緣問(wèn)題都影響優(yōu)質(zhì)教育的普及。松鼠AI的愿景是通過(guò)人工智能打造超級(jí)教師，給成千上萬(wàn)的學(xué)生提供量身教學(xué)?！懊恳粋€(gè)孩子讀值得擁有一位一對(duì)一的超級(jí)教師，”崔煒說(shuō)。

從2014年開始，乂學(xué)教育-松鼠AI就在自主研發(fā)針對(duì)中國(guó)K12學(xué)生的智適應(yīng)學(xué)習(xí)系統(tǒng)，它的主要目標(biāo)是精確地診斷學(xué)生的知識(shí)點(diǎn)掌握情況，然后推薦個(gè)性化的學(xué)習(xí)內(nèi)容和學(xué)習(xí)路徑規(guī)劃。

首先是學(xué)生知識(shí)點(diǎn)的掌握。下圖是某位松鼠AI學(xué)生對(duì)物理知識(shí)點(diǎn)的熟練掌握程度，可以看到藍(lán)色的部分是該學(xué)生已經(jīng)掌握的部分，占80%；黃色的部分是學(xué)生相對(duì) 比較薄弱的知識(shí)點(diǎn)，占20%。

如何精確地獲悉學(xué)生的知識(shí)點(diǎn)掌握情況？松鼠AI從數(shù)據(jù)維度考量，可以通過(guò)學(xué)生的測(cè)試結(jié)果、測(cè)試時(shí)長(zhǎng)、該測(cè)試的難度和涵蓋哪些知識(shí)點(diǎn)，甚至是學(xué)生選擇不同的錯(cuò)誤選項(xiàng)和學(xué)生劃鼠標(biāo)的行為，都可以被用來(lái)當(dāng)做行為數(shù)據(jù)判斷。

具體到松鼠AI的工作原理，崔煒介紹說(shuō)，這套智適應(yīng)引擎共分為三層架構(gòu)：本體層、算法層、交互系統(tǒng)。

本體層以內(nèi)容為主，包括學(xué)習(xí)目標(biāo)的本體、學(xué)習(xí)內(nèi)容的本體和錯(cuò)因分析本體。松鼠AI自主研發(fā)了超納米級(jí)的知識(shí)點(diǎn)拆分，可以對(duì)學(xué)生知識(shí)點(diǎn)更精準(zhǔn)地判斷。以初中數(shù)學(xué)為例，松鼠AI可以將300個(gè)知識(shí)點(diǎn)細(xì)化為3萬(wàn)個(gè)。

同時(shí)，松鼠AI基于貝葉斯網(wǎng)絡(luò)狀的圖譜，把相關(guān)的知識(shí)點(diǎn)關(guān)聯(lián)起來(lái)。通過(guò)這種技術(shù)，可以模擬優(yōu)秀老師教學(xué)的順序和關(guān)系，這種教學(xué)方法符合學(xué)生認(rèn)知的規(guī)律和知識(shí)點(diǎn)層次難易上的關(guān)系。

算法層包含內(nèi)容推薦引擎、學(xué)生用戶畫像引擎、目標(biāo)管理引擎等。松鼠AI會(huì)結(jié)合用戶狀態(tài)評(píng)估引擎和知識(shí)推薦引擎，構(gòu)建出數(shù)據(jù)模型，精準(zhǔn)高效地測(cè)出每個(gè)學(xué)生的知識(shí)漏洞，根據(jù)學(xué)生的知識(shí)漏洞推薦相應(yīng)的學(xué)習(xí)內(nèi)容。

交互系統(tǒng)通過(guò)采集交互數(shù)據(jù)了解更多學(xué)生的信息，包括管理系統(tǒng)，檢測(cè)預(yù)警系統(tǒng)和實(shí)時(shí)的事件收集器。

崔煒強(qiáng)調(diào)，基于人工智能的智適應(yīng)學(xué)習(xí)系統(tǒng)采取了和傳統(tǒng)教育完全不同的教學(xué)過(guò)程。

比如，在知識(shí)狀態(tài)診斷方面，傳統(tǒng)診斷是基于高頻的考試，而松鼠AI的系統(tǒng)擁有基于信息論和知識(shí)空間理論的知識(shí)狀態(tài)診斷，能精確定位知識(shí)漏洞。

傳統(tǒng)的測(cè)評(píng)是基于成績(jī)或排名，傳統(tǒng)的智適應(yīng)測(cè)評(píng)是基于 IRT、DINA、BKT、DKT模型，這些模型的缺陷是無(wú)法進(jìn)行實(shí)時(shí)評(píng)測(cè)。松鼠AI的系統(tǒng)基于貝葉斯理論是能基于學(xué)生過(guò)去所有的記錄來(lái)進(jìn)行持續(xù)性的、實(shí)時(shí)的評(píng)估。

在內(nèi)容推薦上，傳統(tǒng)的推薦算法采用的是協(xié)同過(guò)濾算法，但在教育領(lǐng)域該算法并不適用，因?yàn)槊總€(gè)學(xué)生盡管學(xué)習(xí)情況類似，但知識(shí)點(diǎn)掌握各不相同，協(xié)同過(guò)濾算法不夠精準(zhǔn)，無(wú)法保證推薦內(nèi)容的效果。

松鼠AI采用的是神經(jīng)網(wǎng)絡(luò)，基于學(xué)生的學(xué)習(xí)成果實(shí)現(xiàn)個(gè)性化的推薦，并通過(guò)深度學(xué)習(xí)的算法進(jìn)一步提升個(gè)性化學(xué)習(xí)的精準(zhǔn)性和推薦的精準(zhǔn)性。

算法的優(yōu)越性也體現(xiàn)在結(jié)果上。過(guò)去兩年，松鼠AI已經(jīng)在四次人機(jī)大戰(zhàn)中戰(zhàn)勝了優(yōu)秀教師。截至目前，松鼠AI已經(jīng)全國(guó)400多個(gè)城市開設(shè)近2000家線下學(xué)校，累計(jì)學(xué)生近200萬(wàn)。

乂學(xué)教育-松鼠AI目前累計(jì)融資近10億人民幣。去年，松鼠AI還捐贈(zèng)了100萬(wàn)個(gè)賬號(hào)，給數(shù)百萬(wàn)貧困家庭的孩子，來(lái)促進(jìn)教育的公平化。

乂學(xué)教育-松鼠AI將在今年11月12-13日在上海中心舉辦第四屆全球人工智能智適應(yīng)教育峰會(huì)（AIAED），本次大會(huì)組委會(huì)主席是CMU計(jì)算機(jī)學(xué)院院長(zhǎng)、機(jī)器學(xué)習(xí)教父Tom Mitchell教授。崔煒希望相關(guān)的從業(yè)者能在此契機(jī)下匯聚一堂，共同推動(dòng)人工智能教育的進(jìn)步。

第四屆AIAED大會(huì)網(wǎng)址：

https://www.aiaed.net/

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