深度问题生成技术及其应用路在何方?

程序员大白

共 1193字,需浏览 3分钟

 ·

2022-05-26 16:45

MLNLP(机器学习算法与自然语言处理)是国内外知名自然语言处理社区,受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。
社区的愿景是促进国内外自然语言处理,机器学习学术界、产业界和广大爱好者之间的交流和进步。

MLNLP学术TalkMLNLP社区举办的学术交流活动,旨在邀请一线青年学者分享最前沿的技术,期待最精彩的思想火花碰撞。本次MLNLP学术Talk特别邀请了新加坡国立大学NLP博士生潘亮铭为我们带来“深度问题生成技术及其应用”的主题报告。报告的详细信息如下:


1

『讲者介绍』



潘亮铭,新加坡国立大学计算机科学学院博士毕业,导师为Min-Yen Kan和Tat-Seng Chua,在此之前他于清华大学计算机系获得硕士学位,于北京航空航天大学软件学院获得本科学位。他的研究关注于问题生成、自动问答、事实验证、知识图谱、迁移学习等。博士期间他曾获国大计算机系院长优秀研究奖、研究成就奖等荣誉。个人主页:http://www.liangmingpan.com/


2

『报告摘要』



自动问题生成(Question Generation)是根据各种输入(如文本、知识库、图片)自动生成问题的任务。人类有能力就文章、事件、评论等提出深入的问题,这需要对文本的深入理解以及涉及多处上下文的多跳推理。让机器学习提出类人的深度问题在未来的智能系统中有广泛的应用,如对话系统、在线教育、智能搜索等。在这次报告中,我将介绍如果让模型生成需要较高认知技能的深度问题,专注于两个基本的研究问题:1)如何有效地从文本中生成深层问题,2) 深层问题生成如何帮助自然语言处理的下游任务。这包括我们关于深度问题生成的三项最新研究,包括利用语义图来帮助多跳问题生成,无监督的多跳问题生成与问答系统,以及问题生成如何帮助进行事实验证(Fact Verification)。最后我将介绍目前深度问题生成面临的挑战和未来的研究方向。


3

『主持人简介』




倪瑾杰,南洋理工大学计算机科学博士在读,师从IEEE fellow Erik Cambria。研究兴趣为Seq2seq Problems, Natural Language Processing。在多个国际会议发表相关论文。曾于阿里巴巴,中科院计算所,中科院自动化所等机构参与研究实习。


关于我们

MLNLP社区 (机器学习算法与自然语言处理) 是由国内外自然语言处理学者联合构建的民间学术社区,目前已经发展为国内外知名自然语言处理社区,旗下包括 万人顶会交流群、AI臻选汇、AI英才汇 以及 AI学术汇 等知名品牌,旨在促进机器学习,自然语言处理学术界、产业界和广大爱好者之间的进步。
社区可以为相关从业者的深造、就业及研究等方面提供开放交流平台。欢迎大家关注和加入我们。

浏览 100
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报