IJCAI 2017，清华被收录了哪些论文？

本篇文章3171字，读完约8分钟

根据雷锋的人工智能科技评论。国际人工智能联合会议(ijcai 2017)是最近几天在澳大利亚举行的人工智能领域的顶级会议，ijcai今年收到了2540篇提交的论文，最终雇佣了660篇论文，就业率为26%。

雷锋。(公开号码:雷锋。在这660篇文章中，有7篇来自清华大学自然语言处理与社会人文计算实验室(thunlp)的论文是由ijcai收集的。它们是:

1、《基于高阶近似的快速网络嵌入增强》

一句话:为了解决网络表示学习问题，提出了一种基于高阶邻接近似的快速算法，该算法可以普遍提高现有网络表示学习算法的性能。

摘要:近年来，在网络顶点向量表示的研究中，提出了许多网络表示学习方法。在本文中，我们将现有的大部分nrl方法归纳为两步框架，包括邻近矩阵的构造和降维。我们着重分析邻近矩阵的构造。在构造邻近矩阵时，我们得出结论:高阶邻近可以改进nrl方法。我们提出了网络嵌入更新(neu)算法，其中隐含了受理论近似约束的高阶近似。它可以应用于任何nrl方法，以提高这些方法的性能。实验上，我们做了多标签分类和连接预测任务的实验。结果表明，neu能够一致且显著地改进所有三个公共数据集的nrl方法，并且运行时间几乎可以忽略不计。文章代码可从github/thunlp/neu获得。

论文下载地址:I jcai/proceedings/2017/0544 . pdf。

2、《基于中枢神经机器翻译的联合训练》

一句话:针对低资源语言的神经机器翻译，提出了源语言-桥语言和桥语言-目标语言翻译模型的联合训练算法，增强了两种模型在参数估计中的相关性。

摘要:近年来，神经网络机器翻译方法在资源丰富的语言中表现良好，但在资源较少的语言中存在数据匮乏的问题。这一问题可以通过桥接语言将源语言和目标语言连接起来来缓解，但目前，源语言-桥接语言和桥接语言-目标语言的模式在训练中大多是相互独立的。在我们的工作中，我们引入了一种基于桥接语言的神经机器翻译联合训练算法。我们提出了三种方法来连接源-桥和桥-目标模型，以便它们可以在训练过程中相互作用。基于europarl和wmt语料库的实验表明，这种联合训练的效果明显优于多种语言的独立训练。

论文下载地址:I jcai/proceedings/2017/0555 . pdf。

3、《跨网络:基于翻译的社会关系抽取网络表征学习》

总之:提出了在社交网络中提取用户关系的问题，并利用在用户的低维表示之间进行转换的思想成功地表达了用户关系，从而实现了用户关系的识别和标注。

摘要:传统的网络表示学习(nrl)模型通常通过简单地将每条边作为二进制/连续值来学习低维表示。但事实上，边上有丰富的语义信息，顶点之间的交互通常会保留不同的意义，这在现有的自然语言模型中被忽略了。在本文中，我们提出了一个基于翻译的自然语言理解模型transnet，它将顶点之间的交互作为翻译。此外，我们还设置了社会关系抽取的任务，以评估nrl方法对顶点关系建模的能力。sre的实验结果表明，与其他基准方法相比，transnet在hits@1上有10%到20%的显著提高。源代码和数据集可以从github/thunlp/transnet中提取。

论文下载地址:I jcai/proceedings/2017/0399 . pdf。

4、《基于词嵌入和矩阵分解的词汇义素预测》

一句话:提出知网语义预测的任务，提出一种基于词表示和矩阵分解的方法，可以有效地预测新词或短语的语义信息。

摘要:义位被定义为人类语言中最小的语义单位。人们过去常常通过手工注释原文的意思来形成语言知识的基础。然而，手工标注不仅费时费力，而且存在明显的不一致性和噪声。本文首先探讨了基于词嵌入编码的词语义自动预测。此外，我们使用矩阵分解来学习语义和单词之间的语义关系。在实验中，我们使用了知网这个现实生活中的知识库进行训练和评估，结果表明了我们的词汇语义预测方法的有效性。该方法将广泛应用于现有噪声语义知识库的标注验证和新词/短语的标注。

论文下载地址:I jcai/proceedings/2017/0587 . pdf。

5、《通过联合知识嵌入的迭代实体对齐》

一句话:为了解决异构知识地图之间的实体对齐问题，基于异构知识地图的结构信息，提出利用知识的分布式表示学习来有效实现低维语义空.中的实体对齐

摘要:实体对齐旨在用多个知识图(kg)连接其对应对象。大多数现有方法通常依赖于实体外部信息，如维基百科链接，并且需要昂贵的冻结特征构造来完成对齐。本文提出了一种通过联合知识嵌入实现实体对齐的新方法。在我们的方法中，根据联合语义空中的语义距离，我们将实体和各种KGs之间的关系编码成一个统一的低维语义空.在这个过程中，我们可以根据它们在联合语义空.中的语义距离来对齐这些实体更具体地说，我们提出了一种迭代和参数共享的方法来提高对准性能。根据真实数据集的实验结果，与基准方法相比，我们的方法显著提高了实体对齐，并且使用联合知识嵌入可以进一步提高各种kg实现的性能。

论文下载地址:I jcai/proceedings/2017/0595 . pdf。

6、《形象化知识表征学习》

底线:为了解决知识分布式表示学习的问题，成功引入了实体的图像信息，显著提高了知识表示能力。

摘要:实体图像可以为知识表示学习提供重要的视觉信息。大多数传统方法只从结构化三元组中学习知识表示，而忽略了从立体图像中提取的丰富的视觉信息。在本文中，我们提出了一种新的包含图像的知识表示学习模型(ikrl)，其中知识表示是通过三重事实和图像来学习的。更具体地说，我们首先用神经图像编码器用实体的所有图像结构来表示它。然后，通过基于注意力的方法，将这些图像表示集成到基于聚集图像的表示中。我们在知识图和三分类的实现上测试了ikrl模型。实验结果表明，我们的模型在这两个任务上都优于其他基准方法，这也表明了视觉信息对于知识表示的重要性以及我们的模型在学习图像表示方面的性能。

论文下载地址:I jcai/proceedings/2017/0438 . pdf。

7、《零资源神经机器翻译的最大期望似然估计》

一句话:提出了零资源神经机器翻译的最大期望似然估计准则的训练准则，实现了非标准数据情况下的直接翻译建模，缓解了传统分段解码方法面临的误差传播问题。

摘要:虽然最近神经机器翻译在翻译一些资源丰富的语言方面取得了显著的进展，但是并行语料库并不总是能够用于大多数语言对齐。为了解决这个问题，我们提出了一种基于最大期望似然估计的零资源nmt方法。其基本思想是，在有意的源-目标语言翻译模型中，我们最大化连接-源翻译模型和连接-目标平行语料库之间的期望。为了逼近期望值，我们提出了连接源模型和源-目标模型相结合的两种方法。在这两个零资源语言对上的实验表明，与基准方法相比，我们提出的方法有很大的增益。我们还看到，当源-目标模型和连接-源模型被联合训练时，后者也将得到比独立训练更大的改进。

论文下载地址:I jcai/proceedings/2017/0594 . pdf。

雷锋网注:这篇文章指的是“我们组的7篇论文被人工智能最高会议——2017年ijcai录用。”

相关文章:

明天将公布2017年ijcai最佳论文，中国人已经获得了最佳学生论文奖

Ijcai最佳论文宣布中国获得最佳学生论文奖！

优秀评选获得了ijcai 2017年最佳学生论文奖，共评选出13篇论文

mainland China第一个人工智能学者！周志华当选为ijcai 2021程序委员会主席(会后采访)

现场报道|杨强教授当选为学生会主席后，接受采访:中国人第一次选举的细节

雷锋原创文章。严禁擅自转载。详情请参考转载说明。