深度問題生成技術(shù)及其應(yīng)用路在何方？
MLNLP學(xué)術(shù)Talk是MLNLP社區(qū)舉辦的學(xué)術(shù)交流活動(dòng)，旨在邀請一線青年學(xué)者分享最前沿的技術(shù)，期待最精彩的思想火花碰撞。本次MLNLP學(xué)術(shù)Talk特別邀請了新加坡國立大學(xué)NLP博士生潘亮銘為我們帶來“深度問題生成技術(shù)及其應(yīng)用”的主題報(bào)告。報(bào)告的詳細(xì)信息如下：
1
『講者介紹』
潘亮銘，新加坡國立大學(xué)計(jì)算機(jī)科學(xué)學(xué)院博士畢業(yè)，導(dǎo)師為Min-Yen Kan和Tat-Seng Chua，在此之前他于清華大學(xué)計(jì)算機(jī)系獲得碩士學(xué)位，于北京航空航天大學(xué)軟件學(xué)院獲得本科學(xué)位。他的研究關(guān)注于問題生成、自動(dòng)問答、事實(shí)驗(yàn)證、知識圖譜、遷移學(xué)習(xí)等。博士期間他曾獲國大計(jì)算機(jī)系院長優(yōu)秀研究獎(jiǎng)、研究成就獎(jiǎng)等榮譽(yù)。個(gè)人主頁：http://www.liangmingpan.com/
2
『報(bào)告摘要』
自動(dòng)問題生成（Question Generation）是根據(jù)各種輸入（如文本、知識庫、圖片）自動(dòng)生成問題的任務(wù)。人類有能力就文章、事件、評論等提出深入的問題，這需要對文本的深入理解以及涉及多處上下文的多跳推理。讓機(jī)器學(xué)習(xí)提出類人的深度問題在未來的智能系統(tǒng)中有廣泛的應(yīng)用，如對話系統(tǒng)、在線教育、智能搜索等。在這次報(bào)告中，我將介紹如果讓模型生成需要較高認(rèn)知技能的深度問題，專注于兩個(gè)基本的研究問題：1）如何有效地從文本中生成深層問題，2) 深層問題生成如何幫助自然語言處理的下游任務(wù)。這包括我們關(guān)于深度問題生成的三項(xiàng)最新研究，包括利用語義圖來幫助多跳問題生成，無監(jiān)督的多跳問題生成與問答系統(tǒng)，以及問題生成如何幫助進(jìn)行事實(shí)驗(yàn)證（Fact Verification）。最后我將介紹目前深度問題生成面臨的挑戰(zhàn)和未來的研究方向。
3
『主持人簡介』
倪瑾杰，南洋理工大學(xué)計(jì)算機(jī)科學(xué)博士在讀，師從IEEE fellow Erik Cambria。研究興趣為Seq2seq Problems, Natural Language Processing。在多個(gè)國際會議發(fā)表相關(guān)論文。曾于阿里巴巴，中科院計(jì)算所，中科院自動(dòng)化所等機(jī)構(gòu)參與研究實(shí)習(xí)。