NLP中知识和数据怎么选？当然是全都要！——第四届中文信息技术发展战略研讨会丨CNCC 技术论坛

报告一题目: 知识图谱与低资源学习

报告摘要: 低资源是很多真实业务问题所面临的迫切挑战，本报告尝试探讨知识图谱与低资源问题之间的关系。一方面，讨论低资源条件下知识图谱的构建与推理问题，分别介绍了对抗关系学习(Adversarial Relational Learning)，元关系学习(Meta Relational Learning)以及融合图神经网络等不同方法在长尾关系抽取、少样本关系预测等方面的应用。另外一方面，进一步探讨知识图谱与零样本学习(Zero-shot Learning)之间的关系，提出利用知识图谱建模标签语义空间可以更加有效实现零样本条件下的知识迁移，同时增强零样本学习的可解释性。

报告人简介: 陈华钧博士，浙江大学计算机科学与技术学院教授/博导，主要研究方向为知识图谱、自然语言处理、大数据系统、智能生物医药等。浙大阿里知识引擎联合实验室主任、浙江省大数据智能计算重点实验室副主任、爱思唯尔Elsevier Big Data Research 主编、CCF杰出演讲者、中国人工智能学会知识工程与分布智能专业委员会副主任、中国中文信息学会语言与知识计算专业委员会副主任、中文开放知识图谱OpenKG牵头发起人。在WWW/WSDM/ISWC, IJCAI/AAAI/KR, ACL/EMNLP/NAACL, VLDB/ICDE,  IEEE Computational Intelligence, IEEE Intelligent System, TKDE, AI in Medicine 等国际顶级会议或期刊上发表多篇论文，并曾获国际语义网会议ISWC2006最佳论文奖（第一作者）。作为负责人主持国家自然科学基金重点项目、国家重点研发计划项目、国家重大科技专项项目及企业合作项目等二十余项。曾获得教育部技术发明一等奖、国家科技进步二等奖、阿里巴巴优秀学术合作奖、博文视点图书奖等奖励。

报告二题目: 开放域知识获取技术及其挑战

报告摘要: 从海量文本中自动获取结构化知识，是构建和扩展大规模知识图谱，实现知识指导的自然语言处理的关键技术。现有实体关系抽取技术，主要从单句中挖掘实体关系的语义模式，面临知识覆盖度低等问题。如何面向开放领域的复杂语境进行建模，是知识获取面临的关键挑战之一。本报告将主要介绍在文档级关系抽取、少次学习关系抽取、新类型关系识别等方面的最新进展，并展望开放域关系抽取的未来发展方向。

报告人简介: 刘知远博士，清华大学计算机系副教授、博士生导师。主要研究方向为表示学习、知识图谱和社会计算。2011年获得清华大学博士学位，已在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文80余篇，Google Scholar统计引用超过1万次。承担多项国家自然科学基金。曾获中文信息学会青年创新奖，入选《麻省理工科技评论》“35岁以下科技创新35人”中国区榜单(MIT TR-35 China)、智源青年科学家、中国科协青年人才托举工程。

报告三题目: Learning Universal Representations via Multitask Multilingual Multimodal Pre-training

报告摘要:In this talk, we will first review the most representative pre-trained models and then present a Multitask Multilingual Multimodal Pre-trained model (M^3P) that combines multilingual-monomodal pre-training and monolingual-multimodal pre-training into a unified framework via multitask learning. This model learns universal representations that can map objects occurred in different modalities or expressed in different languages to vectors in a common semantic space. To verify the generalization capability of M3P, we fine-tune the pre-trained model for different types of downstream tasks: multilingual image-text retrieval, multilingual image captioning, multimodal machine translation, multilingual natural language inference and multilingual text generation. Evaluation shows that M3P can (i) achieve comparable results on multilingual tasks and English multimodal tasks, compared to the state-of-the-art models pre-trained for these two types of tasks separately, and (ii) obtain new state-of-the-art results on non-English multimodal tasks in the zero-shot or few-shot setting. In the last part, we will present our current progress and future plan on learning better universal representations based on different types of knowledge.

报告人简介: 段楠博士，微软亚洲研究院高级研究员/研究经理，从事包括自动问答、语义分析、多语言多模态预训练、机器推理等在内的自然语言处理基础研究，多项成果用于必应搜索、必应广告、微软新闻、语音助手等人工智能产品。CCF A/B类会议发表学术论文80余篇，著有《智能问答》。