《人工智能之表示學習》報告重磅發布:在低維空間中高效計算實體和關系的語義聯系
導讀:近日,由清華大學人工智能研究院、北京智源人工智能研究院和清華-中國工程知識智能聯合研究中心編寫的《人工智能之表示學習》報告正式發布。該報告主要從概念、理論模型、領域人才、技術趨勢等4個部分,介紹知識表示學習的技術發展和研究最新進展,并展望該技術的未來發展方向與前景。近年來,以深度學習為代表的表示學習技術熱度高漲,在語音識別、圖像分析和自然語言處理領域獲得廣泛關注。表示學習旨在將研究對象的語義信息表示為稠密低維實值向量,便于在低維空間中進行對象關系的語義關聯計算,并有效解決數據稀疏問題,顯著提升自然語言處理、計算機視覺和機器學習算法等任務的性能。本報告根據《CCF推薦國際學術期刊和會議目錄》和ACM計算機學分類系統相關子領域的A類期刊和會議作為數據來源,主要研究2010-2020年期間表示學習的技術發展和最新研究進展,并展望該技術的未來發展方向與前景。報告綜合運用了文獻分析、大數據分析和挖掘技術、特征抽取、人才畫像等研究方法。借助科技情報大數據挖掘與服務系統平臺AMiner,通過“表示學習”領域的關鍵詞智能匹配出所有相關論文。并基于這些論文,進行進一步挖掘分析。在語音交互的AI時代,深度學習的出現與發展使自然語言處理(NLP)技術取得了重大的突破。深度學習的重點之一則是語言表示學習,該報告主要從表示學習的理論基礎、主要方法、最新科研進展及代表性論文解讀等方面進行相關核心技術介紹。表示學習的理論基礎
基于網絡結構的網絡表示學習
結合外部信息的網絡表示學習
距離模型/結構表示
單層神經網絡模型
能量模型
雙線性模型
張量神經網絡模型
矩陣分解模型
平移模型
該報告還基于AMiner系統的“Topic必讀論文”功能,通過本領域專家以及熱心專業讀者推薦,選取了表示學習領域其中代表性的十篇論文進行解讀。此外,該報告還分析了領域相關的專利情況、國家自然科學基金NSFC項目。依托AMiner平臺,針對表示學習領域,綜合參考h-index指標和領域專家推薦意見,報告還篩選了國外和國內各10位代表性學者進行學者畫像展示和簡要介紹。“學者畫像”是AMiner平臺的核心服務功能之一,學者畫像的特色在于提供專家學者如姓名、單位、地址、聯系方式、個人簡介、教育經歷等個人基本信息。作為一項新興技術,知識表示學習的未來技術發展和應用具有巨大潛力。該篇借助領域技術分析系統(http://trend.aminer.cn),對所選期刊和會議中的科技論文情報進行深入挖掘,對表示學習的技術趨勢及國際研究趨勢等方面進行展示和分析。根據“表示學習”領域關鍵詞,從AMiner數據庫中查找出指定期刊會議發表的論文,其中包含論文所在領域的分支術語和年份,統計含有這些術語論文數量,給出論文數量排名前10的技術術語,再統計這些術語的起止年份,劃分時間窗格,生成大數據智能的發展趨勢圖。根據AMiner平臺分析不同國家在“表示學習”領域的研究趨勢,在趨勢圖中以不同顏色的色帶代表不同的國家,以其寬度表示該國家在當年的研究熱度,與當年該國論文數量呈正相關,每一年份中按照其熱度由高到低進行排序。可視化的展現領域人才的國家分布、機構分布、h-index分布;
分析了我國領域學者的比較優勢以及中外合作情況;
提供了人才查詢、定位、分析、展示一體化應用模式。
利用團隊多年的命名排歧技術,建立了較為完善的學者-論文映射關系;
提供學者研究興趣發展趨勢分析、學者合作者關系網絡分析等;
同時支持用戶交互,通過眾包方式豐富更新專家學者的相關信息。
本站僅提供存儲服務,所有內容均由用戶發布,如發現有害或侵權內容,請
點擊舉報。