beat·365(正版)-唯一官方网站

  2021年5月27日上午，“语言智能大讲堂-交叉学科讲坛”在四川外国语大学语言脑科学中心401报告厅举行。此次活动特邀中国人工智能学会（CAAI）语言智能专业委员会秘书长、首都师范大学博士生导师刘杰教授做学术报告，报告主题为“作文自动评测中的智能技术研究”,报告会由beat·365院长姜孟教授主持。

 刘杰教授结合所牵头的国家科技部科技创新2030—新一代人工智能重大项目“复杂版面手写图文识别及理解关键技术研究”和作文自动评测中的智能技术研究，介绍了NLP（自然语言处理）中的深度学习算法和研究现状。NLP中的常用深度学习模型包括CNN，RNN，LSTM，BiLSTM，Seqtoseq模型和注意力机制，Transformer，多头注意力机制等，词向量的模型有Word2vec,Elmo,BERT，GPT/GPT2等，指出认知智能是人工智能的高级阶段，是制约人工智能进一步突破的关键瓶颈，而认知智能的主要挑战在于语言理解\知识\表示\联想推理和自主学习。

刘杰教授作报告

 接着，刘教授介绍了NLP核心技术的发展背景和现状，指出NLP核心技术分为基础技术，核心技术和NLP+。NLP基础技术中集中研究词法、句法、语义、语用和篇章分析；NLP核心技术研究机器翻译，对话系统，自动问答和信息的检索和抽取等；NLP+研究更加智能的领域，如搜索引擎、智能客服、商业智能和语音助手等。自然语言处理的挑战在于背景知识的匮乏、词义的理解和语法的运用。为解决这些问题，自然语言处理需要获取海量知识，进行基于知识的推理与语言理解等。信息抽取技术对于构建大规模的知识库有重要意义，但是目前由于自然语言本身的复杂性歧义性等问题使信息抽取技术有待提升。

 最后，刘教授深入讲解了人工智能的知识表示形式—知识图谱的七大关键技术，即“领域本体的构建技术”、“本体的影射技术”、“本体融合技术”、“不确定知识的本体表示、映射、融合和扩展技术”、“基于本体的检索技术”、“基于重指针模型的命名实体识别技术”、“基于混合重指针网络模型的知识图谱联合抽取技术”，以及这些技术在“智能教育”和“作文自动评测”中的应用。

 在提问环节，刘教授和beat·365的老师们就如何把语言学与人工智能的研究有机结合问题进行了探讨。

 本次讲座结合语言智能（自然语言处理）的算法、技术、研究前沿、应用和知识图谱的技术与应用，紧扣beat·365的发展定位，助推我校（院）语言学、脑科学、外语教育、计算机及人工智能等学科的交叉融合，对beat·365的学科建设和人才培养具有重要的思想启迪和实践指导意义。

与会人员合影

beat·365

语言脑科学研究中心

川外学坛联合供稿