您查看的活动已结束

【报告摘要】 近年来，信息抽取技术取得了长足进展，然而，如何从信息抽取到知识图谱仍然存在巨大的GAP。本报告将首先总结从IE到KG过程中面临的几个挑战：从有限类型知识到开放类型知识，从有监督知识抽取到按需知识获取，从聚焦抽取任务到“抽取+融合+更新”全栈流程；同时将介绍课题组近年来在上述方向的一些工作，包括开放实体抽取、按需实体知识获取和实体知识融合；最后对探讨从IE到KG过程可能技术路线。

【报告摘要】 文本情感分析（sentiment analysis），利用自然语言处理技术来识别和提取文本中的主观信息，作为自然语言处理领域的研究热点之一，受到学术界和工业界的广泛关注。本报告分别从模型和数据两个角度进行文本情感分析的探讨。（1）从模型上，考虑到情感有一部分是由事件（文本中描述）触发的。因此引入事件信息不仅可以帮助我们理解情绪是如何触发的，而且有助于准确的情绪检测。为此提出一种引入事件驱动的注意力机制的神经文本情绪检测模型进行情感分析。（2）从数据上，围绕个性化的情感分析这一问题，考虑到某些用户存在的数据稀疏问题。假设用户能够基于他们的语言使用习惯和表达情感的模式进行分组，这样的分组信息将能够对那些数据稀疏的用户进行更好的分类。为此，提出了一个考虑数据稀疏的个性化情感分析模型。

【报告摘要】 在数据驱动型研究中，大量算法被提出、改进或使用。从论文全文内容中识别算法并评价其影响力，可以确定该领域流行的、经典的或新兴的算法。我们以NLP领域为例，标注该领域顶级会议ACL全文中提及的算法实体，并构建算法词典；基于算法被提及频次和每年发表文章数，度量不同算法实体的的学术影响力；我们还根据算法所在论文发表时间，分析算法学术影响力随时间演变的不同模式，并指出算法影响力演化反映了该领域研究任务和课题的变化。

【报告摘要】 练习写作的时候，学生通常需要在关于他们写作的不同方面得到反馈，因此，能够针对不同的方面给出反馈是一个有效的自动作文评分（Automated Essay Scoring, AES）系统的必要组成部分。此外，因为获得目标主题的评分文章成本很高，所以AES系统必须能够在跨主题设置下表现良好。为了满足这两个需求，我们引入了一个新的任务，即自动跨主题作文属性评分，该任务要求模型只对非目标主题文章进行训练，并预测目标主题文章的整体、总体分数以及一些特定属性（traits）的分数。这项任务挑战了模型的泛化能力，以便对新的主题的文章进行评分，同时也挑战了模型从多个不同的方面表示文章质量的能力。此外，我们引入了一种新的方法，它利用了每个属性之间的关系，同时预测了每个属性的分数。