[人工智能]AI研习丨洪宇：信息抽取的常识与前沿( 四 )
图6是Lu等的模型架构 。 同样地 ， 该模型也设置了两个通道 ， 完成的是一种多任务数据共享的学习过程 。 一条通道在编码过程中 ， 集中学习词的表示方法 ， 并尽量将学习到的表示用于触发词判别的优化；另一通道则引入了生成对抗机制 ， 着力去除目标词项的信息而加强上下文信息的表示学习 ， 从而实现上述上下文单一依赖的触 发词分类判别 。 在实用过程中 ， 两个通道中的神经网络模型同时运行 ， 形成词和上下文独立的分布式表示 ， 并拼接在一起形成统一的表示 。 由此 ， 我们也可以注意到 ， 这种表示的优势在于“此弱彼强”的模式 ， 即当词义能够发挥作用时 ， 上下文的信息仅仅用作辅助判别的特征 ， 当词义无法获得有效表示的时候 ， 上下文信息的表示则成为分类的主要依赖 。 我们认为 ， 这一模型在实用过程中 ， 将发挥更显著的增强效果 。
本文插图
图 6 利用对抗的抽取模型增强技术
（节选自“AI 前沿讲习班 第 8 期 ——自然语言理解、生成与人机对话”）
洪宇 【[人工智能]AI研习丨洪宇：信息抽取的常识与前沿】苏州大学教授 。 主要研究方向为自然语言处理和人工智能 。 合作参与多项国际评测 ， 包括TAC-KBP信息抽取评测 ， 2014—2016年期间 ， 在事件检测和SlotFilling(ColdStart) 任务中 ， 曾获综合排名第一和第二的评测成绩 。 参与制定事件关系标准及数据标注规范 ， 以及低资源信息抽取、垂直领域信息抽取和跨模态信息抽取的项目指南 。
![[人工智能]AI研习丨洪宇：信息抽取的常识与前沿](http://ttbs.guangsuss.com/image/212a4c97e7b9a21bea546fe9fd4290d3)
推荐阅读
- 简明科学指南|微软用人工智能取代新闻工作者
- 新智元|人工智能领域很多引人注目的进展并不真实
- 千家网|人工智能在半导体市场的发展潜力及其意义
- 国防科技要闻|【每日动态】1000亿美元资助高科技产业/人工智能分析微观结构/下一代武器系统体系结构的评估标准
- 新智元|Science | 人工智能领域很多引人注目的进展并不真实
- 论文Science | 人工智能领域很多引人注目的进展并不真实
- 人工智能|云从科技集团股份有限公司具体经营项目申报新增机器人、人工智能等
- |倪光南：品牌产业数字化是人工智能发展的大趋势
- 科学出版社|陆培丽: 从统计世界走向人工智能
- 人工智能爱好者社区|等了整整12年！Linux QQ 终于更新了