题目: Recent Advances in Neural Question Generation

摘要: 神经问题生成(NQG)的新兴研究已经开始整合大量的输入,并产生需要更高水平认知的问题。这些趋势表明,NQG是NLP的领头羊,是人类智能如何体现好奇心和整合能力的,我们对神经问题的产生进行了全面的调查,考察了语料库、方法和评价方法。在此基础上,我们阐述了我们所看到的NQG的发展趋势:NQG所考虑的学习范式、输入模式和认知水平。

作者简介: Liangming Pan,重庆大学教授。

Tat-Seng Chua是新加坡国立大学计算机学院的KITHCT讲座教授。他拥有博士学位。来自英国利兹大学。 1998年至2000年,他担任该学院的代理和创始院长。蔡博士的主要研究兴趣是多媒体信息检索和社交媒体分析。特别是,他的研究重点在于从网络和多个社交网络中提取和检索文本和富媒体(QA)。他是NExT的联合主任,NExT是NUS与清华大学之间的联合中心,致力于开发实时社交媒体搜索技术。蔡博士因其对多媒体计算,通信和应用的杰出技术贡献而荣获2015年ACM SIGMM大奖。他是ACM国际多媒体检索会议(ICMR)和多媒体建模(MMM)会议系列指导委员会主席。蔡博士还是ACM Multimedia 2005,ACM CIVR 2005,ACM SIGIR 2008和ACM Web Science 2015的联合主席。他在四家国际期刊的编辑委员会任职。蔡博士是新加坡两家技术初创公司的联合创始人。

成为VIP会员查看完整内容
15

相关内容

人工神经网络(Artificial Neural Network,即ANN ),是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象, 建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。 最近十多年来,人工神经网络的研究工作不断深入,已经取得了很大的进展,其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。
CCAI 2019|视觉语音语言多模态论坛嘉宾介绍
中国人工智能学会
12+阅读 · 2019年9月3日
自然语言生成的演变史
专知
25+阅读 · 2019年3月23日
SFFAI 17 报名通知 | 类脑计算介绍及最新进展
人工智能前沿讲习班
10+阅读 · 2019年1月7日
榜单出炉!2018中国AI英雄风云榜揭晓十位AI领军人
【优青论文】视觉问答技术研究
计算机研究与发展
13+阅读 · 2018年9月21日
【AIDL专栏】梅涛:深度视觉理解(附PPT)
人工智能前沿讲习班
24+阅读 · 2018年5月25日
Arxiv
6+阅读 · 2018年4月21日
Arxiv
6+阅读 · 2018年1月29日
VIP会员
相关VIP内容
相关资讯
CCAI 2019|视觉语音语言多模态论坛嘉宾介绍
中国人工智能学会
12+阅读 · 2019年9月3日
自然语言生成的演变史
专知
25+阅读 · 2019年3月23日
SFFAI 17 报名通知 | 类脑计算介绍及最新进展
人工智能前沿讲习班
10+阅读 · 2019年1月7日
榜单出炉!2018中国AI英雄风云榜揭晓十位AI领军人
【优青论文】视觉问答技术研究
计算机研究与发展
13+阅读 · 2018年9月21日
【AIDL专栏】梅涛:深度视觉理解(附PPT)
人工智能前沿讲习班
24+阅读 · 2018年5月25日
微信扫码咨询专知VIP会员