‍

‍

NLP的进步推动着人工智能的整体进展。未来，来自搜索引擎、客服、商业智能、语音助手、翻译、教育、法律、金融等领域对NLP的需求会大幅度上升，对NLP质量也会提出更高的要求。而目前的 NLP 系统往往忽略语言的结构，严重依赖于大量的标记数据，佐治亚理工大学助理教授杨笛一将通过两项工作来深入探讨语言结构和计算方法之间的相互作用。

报告详情

报告主题：少数据，多框架的自然语言处理

报告时间：5月19日（周三）19:00~20:00

报告形式：线上（Zoom + 智源社区Hub + B站直播）

讲者介绍：杨笛一，佐治亚理工大学交互计算学院助理教授，隶属于机器学习中心。本科毕业于上海交通大学ACM荣誉班，博士毕业于卡耐基梅隆大学语言技术学院。研究方向为社会计算和自然语言处理。研究目标是更好地理解人际交流，并构建智能系统来支持人机交互和人机交互，尤其是在健康和社交媒体领域。研究曾被 EMNLP 2015、ICWSM 2019 和 ACM CHI 2019 等学术会议收录。

2020年，她被《福布斯》杂志列入30 under 30（科学类），同年她还荣获 IEEE AI 10 to Watch 奖，并陆续获得亚马逊、 Facebook 和 Salesforce 颁发的人工智能研究基金。

报告摘要：Recently, natural language processing (NLP) has had increasing success and produced extensive industrial applications. Despite being sufficient to enable these applications, current NLP systems often ignore the structures of language and heavily rely on massive labeled data.  In this talk, we take a closer look at the interplay between language structures and computational methods via two lines of work. The first one studies how to incorporate linguistically-informed relations between different training data to help both text classification and sequence labeling tasks when annotated data is limited. The second part demonstrates how various structures in conversations can be utilized to generate better dialog summaries for everyday interaction.

近年来，自然语言处理(NLP)已经取得了越来越大的成功，并产生了广泛的工业应用。尽管已经足够支持这些应用程序，但是目前的 NLP 系统往往忽略了语言的结构，严重依赖于大量的标记数据。在这场报告中，我们将通过两项工作来进一步了解语言结构和计算方法之间的相互作用。第一项工作研究在有限注释数据的情况下，如何合并不同训练数据之间的语言知情关系，以帮助文本分类和序列标记任务。第二项工作演示了如何利用会话中的各种结构为日常交流生成更好的对话摘要。（译文仅供参考）

观看方式

智源社区Hub直播：（点击【阅读原文】或扫描下方二维码）

Zoom 观看：https://zoom.com.cn/j/6011507040（无密码）

B站直播：https://live.bilibili.com/21484823

入群交流

欢迎加入智源社区「自然语言处理」交流群

（更多活动信息将在交流群中同步）

‍

‍