哈工大社会计算与信息检索研究中心3篇长文被AAAI 2018录用

雷锋网 (公众号：雷锋网) AI科技评论按：本文首发于“哈工大SCIR”公众号，雷锋网AI科技评论获授权转载。

AAAI 2018, the 32nd AAAI Conference on Artificial Intelligence，将于2018年2月2日至7日在美国新奥尔良举行。AAAI是人工智能领域的顶级国际会议，每年举办一次。

哈尔滨工业大学社会计算与信息检索研究中心共有3篇论文被AAAI 2018录用，下面是论文列表及介绍：

• Exploring Implicit Feedback for Open Domain Conversation Generation.

作者：张伟男，李凌志，曹东岩，周连强，刘挺.

在人机对话过程中，人们通常会表现出某种立场、情绪以及尴尬等状态，我们称这些状态为用户在人机对话过程中的隐式反馈。相比于任务型人机对话在对话结束后通过问卷的形式显式地获取用户的反馈，隐式反馈更加自然且不需要用户作出对话之外的反馈操作。在开放域人机对话中，用户的隐式反馈普遍存在，因此本文将探寻人机对话过程中的用户隐式反馈对于开放域对话生成的作用，在强化学习的框架下，将隐式反馈建模到对话奖励函数中，获得比baseline更好的对话生成效果。

• A Neural Transition-Based Approach for Semantic Dependency Graph Parsing. 

作者：王宇轩，车万翔，郭江，刘挺.

语义依存图是近年来提出的对树结构句法或语义表示的扩展，它与树结构的主要区别是允许一些词拥有多个父节点，从而使其成为有向无环图(directed acyclic graph，DAG)。因此要获得句子的语义依存图，就需要对这种DAG进行分析。然而目前大多数工作集中于研究浅层依存树结构，少有人研究如何对DAG进行分析。本文提出一种基于转移的分析器，使用list-based arc-eager算法的变体对依存图进行分析。此外，我们还提出了两种有效的神经网络模块，分别用于获得转移系统中缓存和子图更好的表示。我们在SemEval-2016 Task 9 (中文)和SemEval-2015 Task 18 (英文)两个数据集上的实验都取得了很好结果。此外，我们的系统能通过简单的模型合并方法进一步提高性能。

• Hierarchical Attention Flow for Multiple-choice Reading Comprehension. 

作者：朱海潮，韦福如，秦兵，刘挺.

针对选择题型的机器阅读理解，本文充分挖掘了候选项在回答问题时的作用，在利用候选项加强对原文理解的同时，还考虑到候选项之间的关系。并且结合篇章层次结构，原文、问题和候选项得以在词级别和句子级别进行充分交互。本文提出的模型在RACE数据集上的取得了显著优于两个神经网络基准模型的结果。

我们后续会陆续发布论文作者对其论文的详细介绍，敬请期待。    

雷锋网版权文章，未经授权禁止转载。详情见。