新浪上的文章~
《果蝇看到了什么? 我科学家揭开昆虫视觉之谜》
在处理视觉信息的机制上,昆虫竟然和高等动物类似,这在科学史上还是第一次得到证明.唐世明说,他们的发现在认识动物的视觉机制上走出了“一小步”.
如果你认识了一个人,那么无论他穿什么衣服,离你或远或近,甚至没有面对着你,你是否都能把他认出来?
答案似乎是肯定的.但究竟是什么样的神经活动使人类能够做到这样?
这个在普通人看来有些“不可理喻”的问题———生物学上将其称为“视觉不变性”,却一直是科学上的难题.
“人的神经细胞实在太多了,粗略估计,有1010个,目前还找不到一种可行的方法同时监测这么多神经细胞的活动.”中科院生物物理研究所唐世明研究员说.但是,他最近对果蝇视觉的一个重要发现,可能为这方面的研究提供了新的启示.
果蝇在“飞”
“啪”的一声,唐世明扭开了实验仪器的灯.仪器里,一只身长约1厘米,红眼睛,长触须,浑身黄褐色的小飞虫,在灯光下张开翅膀,“自以为是”地飞起来.
但这只果蝇并没有真的飞起来.它的脖子被固定在这个特殊仪器的尖端.它的飞行动作通过那里的传感器传递到计算机上.在程序控制下,围绕在它周围的圆形纸筒开始转动.纸筒上画有不同颜色的图形.通过这种操作,可以使果蝇产生在不同图形间“飞来飞去”的感觉.
唐世明坐回到计算机前.屏幕上出现了曲线,表示果蝇的“飞行”轨迹.它在某个特殊的图形面前几乎不停留,而在另外的图形面前却停留了很长时间.
“这真是很有趣.”唐世明已经在这套仪器前工作了一年多.“以前从没有人认为,果蝇这种神经结构简单的昆虫,居然能够认识图形,而且还会进行选择.”
8月13日,美国《科学》杂志发表了以唐世明为第一作者的论文：《果蝇的视觉模式识别具有视网膜位置不变性》.“简单地说,就是果蝇的视觉特征和人类差不多,具有视觉不变性的特点.”
在处理视觉信息的机制上,昆虫竟然和高等动物类似,这在科学史上还是第一次得到证明.
30多年前,国外就用果蝇做过相同内容的实验,但结论完全相反：果蝇只能以一种类似“看底片”的来处理它所获得的图像.每当它看见一个物体时,便将其“印”在脑中,形成一个“底片”.此后,当它再次看见与这个“底片”完全重叠的物体时,它才会有“似曾相识”的反应.这种重叠,包括颜色、大小和形状完全相同.当然,这是非常原始的处理视觉信息的.
这个结论似乎很符合人类作为高等动物的某种优越心理.长期以来没人怀疑它.
唐世明对这个结论表示怀疑的理由很简单：“果蝇的神经细胞太少了,大概只有105个,它根本记不住那么多‘底片’,也很难去一一核对.它一定有某种其他的方法.”
一年多的实验,证明了唐世明的观点：果蝇可以认识并记住某些简单的图形及颜色,无论图形的位置和大小如何变换.
假设有蓝、绿两种颜色的方块在果蝇的视野里.每当它看蓝色方块时,计算机便会发出红外线,果蝇的头部被“烤”红了；而当它将视线转移到绿色方块时,这种火热的“惩罚”便立即消失.
唐世明称这个过程为“教育”.没过多久,果蝇就会判断出：那个蓝色的方块是危险的,而绿色的是安全的.因此,它会把更多的时间花在注视绿色方块上,而对蓝色的方块产生某种“恐惧心理”,并不再去注视它.
时间久了,当“惩罚”条件已经消失后,果蝇仍然会比较专注地看那个“安全”的图形,而对“危险”的置之不理.
唐世明将图形变得更复杂些.每个图形都由蓝、绿两种颜色组成,一种是蓝色在上,另一种是绿色在上.果蝇是否能识别其区别,并将其记住呢?
答案是肯定的.
如果将它记住的图形变换位置,它是否仍能识别,并趋利避害呢?
结果仍然是肯定的.“不用担心它什么也不看.”唐世明说,“果蝇就是喜欢飞来飞去,然后盯着某个东西看个不停.”
这已是唐世明在《科学》上发表的第二篇论文.第一篇发表于2001年11月,内容是关于果蝇如何在两难境地中进行选择.
视觉之谜
今年33岁的唐世明,出生于四川一个农民家庭.个子不高,很瘦,因此头显得很大.他毕业于北京航空航天大学,本来是研究机器人控制的.他的“转行”缘于一个简单的疑问：如何能让机器人像人一样识别物体,从而形成类似人的意识?“现在的确有很多机器是可以‘看’,但那是依靠程序控制的,依靠人事先输入的信息进行判断.”唐世明说,“假如机器人‘认出’我,并不是它真的看见我并记住了,而是依靠瞳孔扫描、指纹等信息进行的判断.如果事先没有在程序里输入这些信息,无论它看我多少遍,可能也认不出来.”
原来科学家以为果蝇比机器人高明不了多少,但是,唐世明他们在上万只果蝇身上进行的实验,证明了果蝇并不那么简单,从而修正了30多年来人类在这个问题上对昆虫的“偏见”.
“形象一点说,动物大脑的演变像一根鱼刺.低等动物的脑功能相当于中间的脊柱,而高等动物渐渐在脊柱的两侧发展出各种各样的刺,形成越来越复杂的功能.”唐世明解释果蝇视觉不变性实验的意义时说,“我们在果蝇身上的发现,相当于找到了这根最初的脊柱.或许我们可以顺着这个思路,找出后来长出的那些刺,从而最终理解人类视觉的大脑机制.”
实验之余,唐世明几乎也成了果蝇的“心理”研究者.这些喜欢围着烂桃子飞来飞去的小虫子,在他眼里,都具备了一定的智力.
“那些聪明的非常好教,只惩罚它几次就能记住哪个图形是危险的,而且记得非常牢；傻的就没办法了,被烫晕了,停在那里不知道该怎么办；还有一些记的时间很短,过一会儿就忘了,又得挨烫.”他兴致勃勃地形容这些小生物,激动得一次次把凉鞋脱下来,踩在脚底下,来回扭动自己的头,演示它们在实验中的样子,“还有一些,老是看那个安全的图形,过一会儿就不耐烦了,忍不住飞回来看那个危险的.但只看一眼,立即意识到：不行,这个不能看.马上又飞走了.”
这个过程如此有趣,以至于唐世明从事音乐工作的妻子也忍不住跑来参与了实验,并成为论文的第三署名作者.
但唐世明的实验只是证明了低等生物的脑部存在“视觉不变性”的功能,还远远未能解释这种功能依靠什么原理得以实现.
事实上,他们发现,果蝇虽然可以识别较为复杂的颜色和形状,甚至能够区分两种颜色的重叠,却没有一只能够识别出○与┼这两个简单图形,而如果想让果蝇区分并记住两张人脸,“那它绝对完成不了.一定是每只都被烫晕”,唐世明说,“我们搞不清楚这是为什么.可能与一些脑部深层结构的功能有关.”
即使目前无法解释这个现象,唐世明仍然认为,他们的结论在认识动物的视觉机制上走出了“一小步”.“如果我们有一天找到了这种视觉机制的根源,马上就可以应用到机器人的研究上.”他似乎更愿意为老本行勾勒美妙的前景,“到那时候,一些目前看来很简单,但也只有依靠人才能做好的工作,都可以让机器人来承担.”
唐世明多年来学习的自动化知识没有白费,在此次实验中,他自行设计和改进的实验仪器起到重要作用.“不,这项研究似乎不像人们想像的那样,需要特别丰富的生物学知识.我只需根据每个实验的特点,设计合理的可操作的方法,再制造合适的仪器.”他一再强调,“方法,找到一种可操作的方法,对于将来的生物学研究太重要了.”
至于是否能够真正认识高等动物大脑中的视觉机制,唐世明期待着他下一步对猫的研究会得到更多的结果,但他并不感到乐观.
“高等动物的神经活动太复杂了,我还没想出能监测这些活动的方法；而这上千亿个神经元之间是如何相互作用的,它们之间的活动代表了什么意义,如何最终形成可记忆的影像……”他似乎要仰天长叹,“可能我一直研究到死,都找不出答案.”
“可无论如何,我会一直做下去.”唐世明说,“没有特别的原因.只因为这个问题实在是太有趣了.”
简单地说，图形学主要是研究如何用电脑来显示和模拟人所观察到的东西的学科。只要我们还需要用电脑来做显示，那么一定会有用得到图形学的地方。在就业方面，国内主要是游戏公司对图形学有需求，还有跨国公司在国内的分支机构，比如Autodesk，AMD，NVidia，微软亚州研究院（个人以为国内图形学最牛的人都在微软）等。国外就多了，除了游戏业，电影工业就是图形学大户，此外，和设计相关的产业（即CAD）是需求图形学的经典行业。 另外，其实可以预见的是，国内的这些产业虽然现在对图形学的需求不大，但若要赶上国外，那大量招收图形学的人才是必须的。在科研方面，总的来说，如果从科研论文的数量上来看，做图形学的人不是很多（和计算机视觉，机器学习比，其它的我也不太了解）。但图形学与其它计算机学科相比，有一个巨大的优势就是，你做的东西的好坏都是可以直接用眼睛来判断的，不需要很多数据和图表什么的，所以不会很枯燥。以下是我对图形学研究方向的分类：
1、真实感绘制。研究如何又快又好地绘制和真实世界一样的画面。在以前，现在和将来都是图形学的一个研究重点。
2、非真实感绘制。研究如何像人类艺术家那样绘制不真实的画面。比如水彩画、铅笔画、蜡笔画等等的绘制。
3、真实物理模拟。研究如何模拟物理现象，比如流水，火焰等等。
4、人体运动。研究如何捕捉、编辑和应用人体运动数据，如何模拟人体运动（比如当人被一个外物撞击时的动作反应，再比如一群人的群体运动模拟），如何绘制人体运动。
5、计算机照相术（Computational Photography）。我不是很了解，建议用这个词搜索一下。
6、人机交互。主要研究如何更方便地用计算机来进行三维建模。
7、计算机声音模拟。研究如何用计算机来生成真实的声音，比如两个金属碰撞的声音，复杂环境中经过反射的声音。还有一个相关领域和音乐有关，研究如何根据一段音乐自动生成舞蹈什么的。
8、计算几何。这是一个非常理论而且经典的研究方向，和数学中的几何学非常相关，研究的算法是其它图形学研究方向的基础，比如曲线曲面的表达、绘制和编辑等。按照我的理解（可能有点不准确），数学的几何学用所表达的几何概念都是连续的，而计算几何都是离散的，要把数学的几何学理论应用到图形学算法中，必须要将这些算法离散化，这一步很重要，而且也不简单。最近这个方向的研究的一个热点是几何图形的查询，比如研究如何google三维模型。
9、图形硬件。研究如何设计对图形学算法进行加速的硬件。图形学所研究的一部分内容，采用了许多机器学习的方法，比如和人体运动，非真实感绘制相关的研究领域，这和数据挖掘还是有一定的相似性的，所以如果你选择图形学的话，还是能接触许多和数据挖掘类似的算法的。
为什么一些大学的官网做的很差，原因有很多。
有一些大学的官网是没有外包的，都是由本校的老师和学生来设计和维护的。而这些老师和学生可能并不是专业的网站开发和维护人员，水平有限，也没有报酬，属于义务服务，所以也没有严格的考核，很多时候基本上就是套用一个模板，照抄的别的网站。
当然了，这些大学的学生平时也不怎么登录学校网站。所以网站设计的好坏，其实没有太大影响。
最后想说的是，重点大学的网站一般设计的还是可以的，真正很难看的，往往是三流院校的网站。
2017 年，机器之心就获知邓力、刘洋教授等人在编写一本 NLP 领域的书籍《Deep Learning in Natural Language Processing》，一直以来都对此书有所期待。此书介绍了深度学习在 NLP 常见问题中的应用，还对 NLP 未来发展的研究方向进行了探讨，包括神经符号整合框架、基于记忆的模型、先验知识融合以及深度学习范式（如无监督学习、生成式学习、多模学习、多任务学习和元学习等）。
官方书籍地址：
自然语言处理（NLP）旨在使计算机可以智能地处理人类语言，是跨越人工智能、计算科学、认知科学、信息处理和语言学的重要跨学科领域。由于计算机和人类语言之间的交互技术的进步，语音识别、对话系统、信息检索、问答和机器翻译等 NLP 应用已经开始重塑人们识别、获取和利用信息的。
NLP 的发展经历了三次浪潮：理性主义、经验主义和深度学习。在第一次浪潮中，理性主义方法主张设计手工制作的规则，将知识融入 NLP 系统，这种主张假设人类思维中的语言知识是通过通用继承预先固定下来的。在第二次浪潮中，经验方法假设丰富的感官输入和表面形式的可观察语言数据是必需的，并且足以使大脑学习自然语言的详细结构。因此，人们开发了概率模型来发现大型语料库中语言的规律性。在第三次浪潮中，受生物神经系统的启发，深度学习利用非线性处理的层次模型，从语言数据中学习内在表征，旨在模拟人类的认知能力。
深度学习和自然语言处理的交叉在实际任务中取得了惊人的成功。语音识别是深度学习深刻影响的第一个工业 NLP 应用。随着大规模训练数据变得可用，深度神经网络实现了比传统经验方法低得多的识别误差。深度学习在 NLP 领域的另一个成功应用是机器翻译。使用神经网络对人类语言之间的映射进行建模的端到端神经机器翻译已经证明可以大大提高翻译质量。因此，神经机器翻译已迅速成为大型科技公司（谷歌、微软、Facebook、百度等）提供的主要商业在线翻译服务的新技术。NLP 的许多其他领域，包括语言理解和对话、词法分析和解析、知识图谱、信息检索、文本问答、社交计算、语言生成和文本情感分析，也通过深度学习取得了很大的进步，掀起了 NLP 发展的第三次浪潮。如今，深度学习是应用于几乎所有 NLP 任务的主导方法。
作者对三大浪潮分析得出的结论是：当前的深度学习技术是从前两大浪潮发展的 NLP 技术在概念和范式上的革命。这场革命的关键支柱包括语言实体（子词、单词、短语、句子、段落、文档等）的分布式表示，通过嵌入、嵌入的语义泛化、语言的长跨深度序列建模、有效地表示从低到高的语言水平的分层网络以及端到端的深度学习方法，来共同完成许多 NLP 任务。在深度学习浪潮之前，这些都不可能，不仅是因为在之前的浪潮中缺乏大数据和强大的计算，而且同样重要的是，近年来我们错过了正确的框架，直到深度学习范式出现。
这本书的主要目的是综述深度学习在 NLP 领域的近期前沿应用。本书会展示当前最佳的 NLP 为中心的深度学习研究，并聚焦于探讨深度学习在主要的 NLP 应用中发挥的作用，包括口语理解、对话系统、词法分析、语法分析、知识图谱、机器翻译、问答、情感分析、社交计算和从图像生成自然语言。本书适用于有计算机技术背景的读者，包括硕士生、博士生、博士后研究员、教学者和产业界研究者，以及任何想快速了解 NLP 深度学习最新进展的读者。
本书由全球知名的 Deep Learning 和 NLP 专家邓力博士领导国内外一批活跃的 NLP 研究人员撰写，全面介绍了深度学习如何解决 NLP 中的基本问题，并汇总了大多数深度学习方法应用于 NLP 领域的最新进展（包括 2017 下半年的最新研究进展）。
本书第一章首先回顾了 NLP 的基础知识以及本书后续章节所涵盖的 NLP 的主要范围，然后深入探讨了 NLP 的历史发展，总结为三大浪潮和未来方向。第 2-10 章对应用于 NLP 的深度学习最新进展进行了深入研究，分为九个单独的章节，每个章节涵盖 NLP 的一个（很大程度上是独立的）应用领域。每章的主体由在各自领域积极工作的主要研究人员和专家撰写。
目录如下：
Chapter 1: 深度学习与自然语言简介（邓力，刘洋）
Chapter 2: 对话理解系统中的深度学习（Gokhan Tur, Asli Celikyilmaz，何晓冬，Dilek Hakkani-TÜr, 邓力）
Chapter 3: 语音与文本对话系统中的深度学习（Asli Celikyilmaz, 邓力, and Dilek Hakkani-TÜr）
Chapter 4: 语法与词法分析中的深度学习（车万翔 张岳）
Chapter 5: 知识图谱中的深度学习（刘知远，韩先培）
Chapter 6: 机器学习中的深度学习（刘洋，张家俊）
Chapter 7: 问答系统中的深度学习（刘康，冯岩松）
Chapter 8: 情感分析中的深度学习（唐都钰，张梅山）
Chapter 9: 社交计算中的深度学习（赵鑫，李晨亮）
Chapter 10: 看图说话中的深度学习（何晓冬，邓力）
Chapter 11: 后记（邓力，刘洋）
在调查了应用深度学习的 NLP 领域的突出成功之后，作者指出并分析了当前深度学习技术的几个主要局限性，涉及一般以及更具体的 NLP 领域。这项调查为 NLP 指出了五个未来的前沿发展方向：神经 - 符号整合框架、探索更好的记忆模型、更好地利用知识，以及更好的深度学习范式（包括无监督和生成学习、多模态和多任务学习和元学习）。
整本书共有 11 章，包含了深度学习在 NLP 中各个领域的研究与应用，并且在全书的最后一部分，作者们讨论了基于 DL 的 NLP 如何扩展到更为通用领域。泛化的本质是将深度神经网络（如：参数化功能块的计算图表）从静态转为动态。这意味着泛化可以使由许多可微分模型组成的网络架构以数据相关的进行实时创建。正如本书很多章节中使用逻辑表达式、条件、赋值和循环等进行程序化编程，在可微分编程模型中，涉及到存储、注意、堆栈、队列和指针模块的深度神经网络架构亦如此实现。
实际上，当前的深度学习框架（如： PyTorch, TensorFlow, Chainer, MXNet, CNTK 等）更要追求模型的灵活性，因为一旦高效的编译器被开发出来，我们将需采用一个全新的软件实现。以循环和条件判断为主的传统编程逻辑将被淘汰，取而代之的是由神经网络实现的参数化功能模块的组装图表。其中的关键技术在于，基于模型的可微分性，使用高效的梯度优化方法，通过端到端的反向传播学习从数据中自动训练出组装图表中的所有参数，比如神经网络的权重以及定义网络非线性和存储模块的参数。
总之，相信在不久的将来，以广义深度学习或可微分编程框架所创建的更加强大、更加灵活、更加先进的学习架构可以解决本书中所列举的 NLP 前沿研究领域的遗留问题。不止于本书中所提及的研究成果，新的成就将会像雨后春笋般涌现，这一切都将会使我们越来越接近通用人工智能实现的日子。那时，NLP 将会成为通用人工智能的一个重要组成部分呈现在大家面前。
此外，读者可以看看原书语言建模与基于注意力的机器翻译两小节截图，从而对整本书的风格与内容有大概的了解：
主编
邓力博士（人工智能科学家），2017 年 5 月至今任对冲基金公司 Citadel 首席人工智能官（Chief Artificial-Intelligence Officer）。之前任微软人工智能首席科学家。邓力在 2009 年就同 Geoffrey Hinton 教授合作，首次提出并将深度神经网络应用到大规模语言识别中，显著提高了机器对语音的识别率，极大推动了人机交互领域的发展与进步。目前，邓力的研究方向主要为应用于大数据、语音、文本、图像和多模态处理的深度学习和机器智能方法，以及人工智能和深度学习在金融领域的应用。在语音、NLP、大数据分析、企业智能、互联网搜索、机器智能、深度学习等领域，邓力曾获 70 多项美国或国际专利。同时，他还获得过 IEEE、国际言语通讯协会、美国声学协会、亚太信号与信息处理协会、微软等组织授予的多项荣誉。2015 年，凭借在深度学习与自动语音识别方向做出的杰出贡献，邓力获 IEEE 技术成就奖。
刘洋博士，清华大学计算机科学与技术系长聘副教授、博士生导师、智能技术与系统实验室主任，国家优秀青年基金获得者。研究方向是自然语言处理，在自然语言处理和人工智能领域重要国际刊物 Computational Linguistics 和国际会议 ACL、EMNLP、IJCAI 和 AAAI 上发表 50 余篇论文，获 ACL 2017 杰出论文奖和 ACL 2006 优秀亚洲自然语言处理论文奖。承担 10 余项国家自然科学基金、国家重点研发计划、国家 863 计划、国家科技支撑计划和国际合作项目，2015 年获国家自然科学基金优秀青年项目资助。获得 2015 年国家科技进步二等奖、2014 年中国电子学会科学技术奖科技进步类一等奖、2009 年北京市科学技术奖二等奖和 2014 年中国中文信息学会钱伟长中文信息处理科学技术奖汉王青年创新奖一等奖等多项科技奖励。担任或曾担任国际计算语言学学会亚太分部执委会委员、SIGHAN Information Officer、中国中文信息学会青年工作委员会主任兼计算语言学专业委员会秘书长、Computational Linguistics 编委、ACM TALLIP 副编辑、ACL 2015 组织委员会共同主席、ACL 2014 讲习班共同主席、ACL 2017/2018 与 EMNLP 2016/2018 程序委员会机器翻译领域共同主席、IJCAI 2016/2018 和 AAAI 2019 资深程序委员会委员。
主要参与作者
何晓东博士是京东 AI 研究院常务副院长、深度学习及语音和语言实验室主任。他于 1996 年获得清华大学（北京）学士学位，1999 年获得中国科学院（北京）硕士学位，并于 2003 获哥伦比亚大学博士学位。他的研究兴趣主要集中在人工智能领域，包括深度学习，自然语言，计算机视觉，语音，信息检索和知识表示。加入京东之前，何晓冬博士就职于美国微软雷德蒙德研究院，担任主任研究员（Principal Researcher）及深度学习技术中心（DLTC）负责人，同时在位于西雅图的华盛顿大学兼任教授、博士生导师。微软在 2018 年 1 月推出的人工智能绘画机器人正是出自何晓冬团队的作品。
车万翔 哈尔滨工业大学计算机学院副教授、博士生导师。斯坦福大学访问学者，合作导师 Christopher Manning 教授。现任中国中文信息学会计算语言学专业委员会委员、青年工作委员会副主任；中国计算机学会高级会员、YOCSEF 哈尔滨主席。主要研究领域为自然语言处理，在 ACL、EMNLP、AAAI、IJCAI 等国内外高水平期刊和会议上发表学术论文 40 于篇，其中 AAAI 2013 年的文章获得了最佳论文提名奖，出版教材 2 部，译著 2 部。目前承担国家自然科学基金、973 等多项科研项目。负责研发的语言技术平台（LTP）已被 600 余家单位共享，提供的在线「语言云」服务已有用户 1 万余人，并授权给百度、腾讯、华为等公司使用。2009 年，获 CoNLL 国际多语种句法和语义分析评测第 1 名。2016 年获黑龙江省科技进步一等奖；2015 和 2016 连续两年获得 Google Focused Research Award（谷歌专注研究奖）；2012 年，获黑龙江省技术发明奖二等奖；2010 年获钱伟长中文信息处理科学技术奖一等奖、首届汉王青年创新奖等多项奖励。
张岳，新加坡科技设计大学助理教授。获清华大学计算机科学与技术学士学位，牛津大学计算机科学硕士和博士学位。2012 年加入新加坡科技设计大学之前，曾在英国剑桥大学担任博士后研究员。对自然语言处理、机器学习和人工智能有浓厚的研究兴趣，主要从事统计句法分析、文本生成、机器翻译、情感分析和股票市场分析的研究。任 ACM/IEEE TALLIP 副主编及 COLING 2014、NAACL 2015、EMNLP 2015、ACL 2017 和 EMNLP 2017 的程序委员会领域主席和 IALP 2017 的程序委员会主席。
刘知远，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 60 余篇，Google Scholar 统计引用超过 2700 次。承担多项国家自然科学基金。曾获清华大学优秀博士学位论文、中国人工智能学会优秀博士学位论文、清华大学优秀博士后、中文信息学会青年创新奖，入选中国科学青年人才托举工程、CCF-Intel 青年学者提升计划。担任中文信息学会青年工作委员会执委、副主任，中文信息学会社会媒体处理专委会委员、秘书，SCI 期刊 Frontiers of Computer Science 青年编委，ACL、COLING、IJCNLP 领域主席。
韩先培，博士，中国科学院软件研究所基础软件国家工程研究中心 / 计算机科学国家重点实验室副研究员。主要研究方向是信息抽取、知识库构建、语义计算以及智能问答系统。在 ACL、SIGIR 等重要国际会议发表论文 20 余篇。韩先培是中国中文信息学会会员，中国中文信息学会语言与知识计算专业委员会秘书长及中国中文信息学会青年工作委员会委员。
张家俊于中科院自动化所获得博士学位，现任中科院自动化所模式识别国家重点实验室副研究员，中国科学院青年创新促进会会员。研究方向为自然语言处理、机器翻译、跨语言文本信息处理、深度学习等。现任人工智能学会青年工作委员会常务委员、中文信息学会计算语言学专委会和青年工作委员会委员。在国际著名期刊 IEEE/ACM TASLP、IEEE Intelligent Systems、ACM TALLIP 与国际重要会议 AAAI、IJCAI、ACL、EMNLP、COLING 等发表学术论文 40 余篇。曾获 PACLIC-2009、NLPCC-2012(2017) 和 CWMT-2014 最佳论文奖。2014 年获中国中文信息学会「钱伟长中文信息处理科学技术奖」一等奖（排名第三）。2015 年入选首届中国科协「青年人才托举工程」计划。
刘康，博士，现任中科院自动化所模式识别国家重点实验室副研究员，西安电子科技大学客座教授。研究领域包括信息抽取、网络挖掘、问答系统等，同时也涉及模式识别与机器学习方面的基础研究。在自然语言处理、知识工程等领域国际重要会议和期刊发表论文九十余篇（如 TKDE、ACL、IJCAI、EMNLP、COLING、CIKM 等），获得 KDD CUP 2011 Track2 全球亚军，COLING 2014 最佳论文奖，首届「CCF - 腾讯犀牛鸟基金卓越奖」、2014 年度中国中文信息学会「钱伟长中文信息处理科学技术奖 - 汉王青年创新一等奖」、2015、2016 Google Focused Research Award 等。
冯岩松 北京大学计算机科学与技术研究所讲师。2011 年毕业于英国爱丁堡大学，获得信息科学博士学位。主要研究方向包括自然语言处理、信息抽取、智能问答以及机器学习在自然语言处理中的应用；研究小组已连续三年在面向结构化知识库的知识问答评测 QALD 中获得第一名；相关工作已发表在 TPAMI、ACL、EMNLP 等主流期刊与会议上。作为项目负责人或课题骨干已承担多项国家自然科学基金及科技部 863 计划项目。分别在 2014 和 2015 年获得 IBM Faculty Award。
唐都钰，微软亚洲研究院自然语言计算组研究员，主要从事包括智能问答、语义理解、常识推理等在内的自然语言处理基础研究。唐都钰博士论文题目为《基于表示学习的文本情感分析研究》获 2016 年中国中文信息学会优秀博士学位论文奖。
张梅山，新加坡科技与设计大学，博士后研究员。张梅山博士分别于 2004 年、2008 年和 2014 年获得中国地质大学 (武汉) 物理学学士、中科院软件所计算机应用技术硕士和哈尔滨工业大学计算机应用技术博士学位，目前任职新加坡科技与设计大学博士后研究员。近年来发表各类论文 23 篇，其中，AAAI、ACL、EMNLP、COLING 等领域顶级会议论文 11 篇。目前的主要研究兴趣为自然语言处理、情感分析和深度学习。
赵鑫，中国人民大学信息学院副教授，近五年内在国内外著名学术期刊与会议上发表论文近 60 篇，其中包括信息检索领域顶级学术期刊 ACM TOIS 和学术会议 SIGIR、数据挖掘领域顶级学术期刊 IEEE TKDE/ACM TKDD 和学术会议 SIGKDD、自然语言处理顶级会议 ACL/EMNLP/COLING。所发表的学术论文取得了一定的关注度，据 Google Scholar 统计（搜索 Wayne Xin Zhao），已发表论文共计被引用近 1800 次。担任多个重要的国际会议或者期刊评审。目前承担国家自然科学基金青年项目一项和北京市自然科学基金面上项目一项，以及横向项目多项。
李晨亮，男，博士，副教授, 硕士生导师，2013 年毕业于新加坡南洋理工大学计算机工程学院, 获博士学位。同年由武汉大学计算机学院引进，获得优秀青年骨干教师启动资金。2015 年入选武汉大学珞珈青年学者。研究兴趣包括信息检索、数据挖掘 (文本挖掘)、自然语言处理、机器学习和社交媒体分析。其主要科研成果已先后发表在国际顶级学术期刊和会议上；担任中国中文信息学会青年工作委员会委员、社交媒体专委会委员、信息检索专委会委员。作为骨干成员参与新加坡教育部科学基金项目 1 项，新加坡国防部科技项目 1 项。2016 年指导硕士生在 CCF-A 类会议 SIGIR2016 上发表长文论文一篇，并获大会最佳学生论文提名奖（Best Student Paper Award Honorable Mention）
985免费论文网友情提示：本网站所有内容为共享上传提供，仅限学习分享，如产生版权问题，请联系我们及时删除！
Copyright © www.csmayi.cn Corporation, All Rights Reserved 共享时代 共享你我他 版权所有
