2017年 10 月 11 日，阿里巴巴達(dá)摩院正式成立，馬云的一句 “ 活得要比阿里巴巴長”，讓外界對它的未來發(fā)展，有了更 “意味深長” 的期待。

在近三年多的時(shí)間里，達(dá)摩院在人工智能學(xué)術(shù)科研與應(yīng)用上齊頭并進(jìn)，無論在國際學(xué)術(shù)頂會(huì)以及各類競賽上，還是在推動(dòng)學(xué)術(shù)成果的商業(yè)化落地上，都交出了亮眼的成績單，這也反過來吸引著人工智能領(lǐng)域的頂尖研究者們都匯聚于此。

對于這些頂尖研究者們目前正在開展的研究工作，想必大家都充滿了探知欲！

7月9日（晚）19:30-21:00 ，AI科技評論就將聯(lián)合阿里達(dá)摩院，外加阿里集團(tuán)在學(xué)術(shù)科研上同樣“堅(jiān)挺”的存在——阿里安全，給大家呈上一場 “ACL 2020 系列論文解讀·阿里巴巴專場” 直播！

屆時(shí)，來自阿里達(dá)摩院機(jī)器智能技術(shù)團(tuán)隊(duì)和阿里安全安全智能團(tuán)隊(duì)的 6 位高級(jí)算法專家、算法工程師以及研究型實(shí)習(xí)生們，將分別聚焦于多任務(wù)學(xué)習(xí)、少樣本文本分類、 任務(wù)型對話、神經(jīng)機(jī)器翻譯、知識(shí)蒸餾、跨域分詞標(biāo)注等NLP 細(xì)分領(lǐng)域，為大家?guī)硪粓稣撐慕庾x盛宴！

本次分享的嘉賓具體都有誰呢？下面一一揭曉：****分享主題： SpanMlt：一種基于跨度的用于屬性詞和觀點(diǎn)詞配對抽取的多任務(wù)學(xué)習(xí)框架 ****分享嘉賓：黃龍濤

分享內(nèi)容：

屬性詞和觀點(diǎn)詞抽取，是細(xì)粒度的基于屬性的情感分析（ABSA）的兩個(gè)關(guān)鍵問題。屬性－觀點(diǎn)詞對（ aspect-opinion pairs）可以為消費(fèi)者和觀點(diǎn)挖掘系統(tǒng)提供相關(guān)產(chǎn)品或服務(wù)的全局配置文件。但是，傳統(tǒng)方法無法在沒有給定屬性詞和觀點(diǎn)詞的情況下，直接輸出屬性－觀點(diǎn)詞對。盡管研究者最近提出了一些共提取方法來聯(lián)合提取屬性詞和觀點(diǎn)詞，但是并不能配對抽取兩者。為此，本文提出了一種端到端方法來解決屬性詞和觀點(diǎn)詞的配對抽?。≒AOTE）任務(wù)。此外，本文從聯(lián)合詞和關(guān)系抽取的角度而非此前大多數(shù)工作中執(zhí)行的序列標(biāo)注方法的角度，來處理該問題。我們提出了一個(gè)基于共享跨度的多任務(wù)學(xué)習(xí)框架，其中在跨度邊界的監(jiān)督下提取詞。同時(shí)，使用跨度表示法來聯(lián)合識(shí)別配對關(guān)系。大量實(shí)驗(yàn)表明，我們的模型始終優(yōu)于 SOTA 方法。

分享內(nèi)容：

現(xiàn)有的工作往往使用元學(xué)習(xí)（meta learning）的方法，通過在一系列meta-task中切換來獲得少樣本學(xué)習(xí)的能力，但是在task間的切換會(huì)帶來遺忘的問題，因此考慮使用記憶機(jī)制來輔助meta learning的訓(xùn)練。在本工作中，我們將監(jiān)督學(xué)習(xí)得到的分類參數(shù)作為meta learning的全局記憶，并提出了動(dòng)態(tài)記憶路由算法，基于dynamic routing的方式將全局記憶信息融入到meta task的訓(xùn)練和預(yù)測階段。此外，動(dòng)態(tài)記憶路由算法還可以使用query信息來增強(qiáng)歸納類別表示的能力，對口語場景下的語言多樣性表達(dá)有更好的泛化性能。在中英文場景少樣本分類任務(wù)數(shù)據(jù)集上，均取得了STOA的結(jié)果。

分享主題：多領(lǐng)域?qū)υ拕?dòng)作和回復(fù)聯(lián)合生成****分享嘉賓：田俊峰

分享內(nèi)容： 在任務(wù)型對話中，產(chǎn)生流暢且信息豐富的回復(fù)至關(guān)重要?，F(xiàn)有pipeline方法通常先預(yù)測多個(gè)對話動(dòng)作，然后使用它們的全局表示來輔助回復(fù)生成。這種方法有兩個(gè)缺陷：第一，在預(yù)測對話動(dòng)作時(shí)，多領(lǐng)域的固有結(jié)構(gòu)被忽略了；其次，在生成回復(fù)時(shí)沒有考慮到對話動(dòng)作和回復(fù)之間的語義聯(lián)系。為了解決這些問題，我們提出了一種同時(shí)生成對話動(dòng)作和回復(fù)的神經(jīng)聯(lián)合生成模型。與以往的方法不同，我們的對話動(dòng)作生成模塊可以保留多領(lǐng)域?qū)υ拕?dòng)作的層次結(jié)構(gòu)，同時(shí)我們的回復(fù)生成模塊可以動(dòng)態(tài)地關(guān)注到相關(guān)的對話動(dòng)作。在訓(xùn)練時(shí)，我們采用不確定性損失函數(shù)來自適應(yīng)地調(diào)整兩個(gè)任務(wù)的權(quán)重。在大規(guī)模MultiWOZ數(shù)據(jù)集上進(jìn)行了評估，實(shí)驗(yàn)結(jié)果表明，我們的模型在自動(dòng)評估和人工評估上都比SOTA模型有很好的提升。****分享主題：神經(jīng)機(jī)器翻譯的多尺度協(xié)同深度模型******分享嘉賓：魏相鵬**

近年來，神經(jīng)機(jī)器翻譯(NMT)方法憑借其出色的翻譯性能在大量應(yīng)用場景中取代了基于統(tǒng)計(jì)的機(jī)器翻譯方法。目前，制約NMT模型性能的因素主要包括模型的特征表達(dá)能力和數(shù)據(jù)規(guī)模。因此，我們提出一種基于多尺度協(xié)作(MSC)機(jī)制的深度神經(jīng)機(jī)器翻譯模型，以提高模型對底層（具象化）和高層（抽象化）特征的建模能力。

實(shí)驗(yàn)證明，(1) 多尺度協(xié)作機(jī)制有助于構(gòu)建極深的NMT模型的同時(shí)帶來性能上的提升，(2) 基于MSC機(jī)制的深度NMT模型能夠更好地翻譯語義結(jié)構(gòu)復(fù)雜的自然語言句子。

****分享主題：多語種序列標(biāo)注的結(jié)構(gòu)級(jí)知識(shí)蒸餾******分享嘉賓：王新宇**

多語言序列標(biāo)注是一項(xiàng)使用單一統(tǒng)一模型預(yù)測多語言標(biāo)簽序列的任務(wù)。與依賴于多個(gè)單語模型相比，使用多語言模型具有模型規(guī)模小、在線服務(wù)容易和對低資源語言通用的優(yōu)點(diǎn)。然而，由于模型容量的限制，目前的多語種模型仍然遠(yuǎn)遠(yuǎn)低于單獨(dú)的單語模型。本文提出將多個(gè)單語言模型（teachers）的結(jié)構(gòu)知識(shí)提取到統(tǒng)一的多語言模型（student）中，以縮小單語言模型與統(tǒng)一的多語言模型之間的差距。我們提出了兩種基于結(jié)構(gòu)層次信息的知識(shí)挖掘方法：

****分享主題：跨域中文分詞的遠(yuǎn)程標(biāo)注與對抗耦合訓(xùn)練******分享嘉賓：丁寧**

完全監(jiān)督神經(jīng)方法在中文分詞（CWS）的任務(wù)上取得了重大進(jìn)展。但是，如果由于域間的分布差異和集外詞（OOV）問題導(dǎo)致域遷移，則監(jiān)督模型的性能始終一直大幅下降。為了實(shí)時(shí)緩解此問題，本文將跨域中文分詞的遠(yuǎn)程標(biāo)注和對抗性訓(xùn)練直觀地結(jié)合在一起。

7月9日，6位來自阿里的分享嘉賓，與大家不見不散！

ACL 2020原定于2020年7月5日至10日在美國華盛頓西雅圖舉行，因新冠肺炎疫情改為線上會(huì)議。為促進(jìn)學(xué)術(shù)交流，方便國內(nèi)師生提早了解自然語言處理（NLP）前沿研究，AI 科技評論將推出「ACL 實(shí)驗(yàn)室系列論文解讀」內(nèi)容，同時(shí)歡迎更多實(shí)驗(yàn)室參與分享，敬請期待！