我中心6篇长文被IJCAI-ECAI 2018录用

IJCAI-ECAI 2018, the 27th International Joint Conference on Artificial Intelligence and the 23rd European Conference on Artificial Intelligence将于2018年7月13日至19日在瑞典斯德哥尔摩举行。IJCAI是人工智能领域的顶级国际会议，是CCF A类会议，起于1969年每两年举办一次，自2016年起每年举办一次。ECAI是欧洲人工智能领域最重要的会议，自1974年每两年举办一次。IJCAI-ECAI 2018今年由IJCAI、EurAI和SAIS联合发起举办。

哈尔滨工业大学社会计算与信息检索研究中心共有6篇论文被IJCAI-ECAI 2018录用。下面是论文列表及介绍：

• Constructing Narrative Event Graph for Script Event Prediction.

作者：李忠阳，丁效，刘挺.

这是我们实验室在事理图谱方向发表的第一篇人工智能顶级会议论文。我们提出通过构建事理图谱来更好地利用事件之间的稠密连接信息，以帮助脚本事件预测任务。为了解决大规模事理图谱图结构上的推断问题，我们提出了一个可扩展的图神经网络模型（SGNN），来学习事件之间的交互作用并学习到更好的事件表示。在脚本事件预测任务上，我们的方法取得了SOTA的结果。

• Domain Adaptation via Tree Kernel Based Maximum Mean Discrepancy for User Consumption Intention Identification.

作者：丁效，蔡碧波，刘挺，石乾坤.

我们提出了基于树结构的最大化平均差异（Maximum Mean Discrepancy）方法，可以更好地将神经网络高层神经元的特征从源领域迁移到目标领域，从而解决了基于神经网络的领域迁移方法在高层神经元上迁移效果不佳的问题。在消费意图五个领域的数据集上，通过对任意两个领域（共20个迁移对）进行迁移实验，本文提出的方法取得了SOTA的结果。

• Improving Low Resource Named Entity Recognition using Cross-lingual Knowledge Transfer.

作者：冯骁骋，冯夏冲，秦兵，刘铭，刘挺.

在稀缺资源语言实体识别任务中，我们在原有LSTM-CRF模型的基础上，利用双语词典作为跨语言信息传播桥梁，为每个稀缺资源语言词语学习英文语义空间下的语义表示，并映射到稀缺资源语言空间增强原有表示。在西班牙语、荷兰语和中文三种语言数据集上进行实验，结果显示，通过加入跨语言信息表示，实体识别性能平均提高大于3%。

• Improving Entity Recommendation with Search Log and Multi-Task Learning.

作者：黄际洲，张伟，孙雅铭，王海峰，刘挺.

本文研究如何利用搜索会话中的历史查询这一上下文信息来提升实体推荐的效果。为此，我们提出了一种基于深度神经网络的多任务学习模型，以更好地利用搜索日志学习出查询及上下文表示。我们在大规模、真实搜索日志上进行实验，证明了我们提出的方法能够有效地帮助提升实体推荐任务的效果。

• Joint Extraction of Entities and Relations Based on a Novel Graph Scheme.

作者：王少磊，张岳，车万翔，刘挺.

在本研究中，我们将实体识别和关系抽取联合任务建模成一个有向图的问题，并提出了一种基于转移的方法来直接生成有向图。我们的方法能充分的表示和利用实体和关系之间，以及关系与关系之间的依赖现象，并在公开数据集NYT上取得了很好的效果。

• Topic-to-Essay Generation with Neural Networks.

作者：冯骁骋，刘家豪，秦兵，刘挺.

在本文中，我们提出了段落级作文生成任务，其输入为固定个数的主题词，输出是一段关于这些主题词的作文描述；在方法层面，我们采用Seq2Seq的神经网络框架，针对多主题输入情况，我们加入主题感知的coverage方法，使得作文能够在表达不同主题语义的情况下，着重针对某一主题进行表述。我们自动构建了两个作文相关语料库，并通过客观和主观评价说明我们的模型结果均优于基线方法。