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(jì)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(shí)驗(yàn)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(kuò)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(biāo)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(fèi)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(jìn)行遷移實(shí)驗(yàn)，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(shí)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(qiáng)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(jìn)行實(shí)驗(yàn)，結(jié)果顯示，通過加入跨語言信息表示，實(shí)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(shí)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(shí)搜索日志上進(jìn)行實(shí)驗(yàn)，證明了我們提出的方法能夠有效地幫助提升實(shí)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?jiān)溃嚾f翔，劉挺.

在本研究中，我們將實(shí)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(shí)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(dá)不同主題語義的情況下，著重針對某一主題進(jìn)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(jià)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(dú)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(jì)算與信息檢索研究中心3篇長文被AAAI 2018錄用 | AAAI 2018

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。