深度问题生成技术及其应用路在何方？
共 1193字，需浏览 3分钟
·
2022-05-26 16:45
MLNLP学术Talk是MLNLP社区举办的学术交流活动，旨在邀请一线青年学者分享最前沿的技术，期待最精彩的思想火花碰撞。本次MLNLP学术Talk特别邀请了新加坡国立大学NLP博士生潘亮铭为我们带来“深度问题生成技术及其应用”的主题报告。报告的详细信息如下：
1
『讲者介绍』
潘亮铭，新加坡国立大学计算机科学学院博士毕业，导师为Min-Yen Kan和Tat-Seng Chua，在此之前他于清华大学计算机系获得硕士学位，于北京航空航天大学软件学院获得本科学位。他的研究关注于问题生成、自动问答、事实验证、知识图谱、迁移学习等。博士期间他曾获国大计算机系院长优秀研究奖、研究成就奖等荣誉。个人主页：http://www.liangmingpan.com/
2
『报告摘要』
自动问题生成（Question Generation）是根据各种输入（如文本、知识库、图片）自动生成问题的任务。人类有能力就文章、事件、评论等提出深入的问题，这需要对文本的深入理解以及涉及多处上下文的多跳推理。让机器学习提出类人的深度问题在未来的智能系统中有广泛的应用，如对话系统、在线教育、智能搜索等。在这次报告中，我将介绍如果让模型生成需要较高认知技能的深度问题，专注于两个基本的研究问题：1）如何有效地从文本中生成深层问题，2) 深层问题生成如何帮助自然语言处理的下游任务。这包括我们关于深度问题生成的三项最新研究，包括利用语义图来帮助多跳问题生成，无监督的多跳问题生成与问答系统，以及问题生成如何帮助进行事实验证（Fact Verification）。最后我将介绍目前深度问题生成面临的挑战和未来的研究方向。
3
『主持人简介』
倪瑾杰，南洋理工大学计算机科学博士在读，师从IEEE fellow Erik Cambria。研究兴趣为Seq2seq Problems, Natural Language Processing。在多个国际会议发表相关论文。曾于阿里巴巴，中科院计算所，中科院自动化所等机构参与研究实习。