日前，阿里巴巴披露了自然語言處理技術取得的兩項新成績：在全球頂級的知識庫構建測評KBP2017中，斬獲英文實體發現測評全球冠軍；在中文語法錯誤自動診斷大賽（Chinese Grammatical Error Diagnosis，以下簡稱 CGED）三個level中全面奪得冠軍，核心指標比其他參賽機構高出一倍。

iDST自然語言處理首席科學家司羅

司羅是全球權威機器智能學者，曾擔任美國普渡大學計算機系終身教授，先后獲得美國國家科學基金會成就獎、雅虎、谷歌研究獎等。在阿里巴巴，司羅領導了iDST自然語言處理團隊，他們的使命是支持阿里大生態（新零售、金融、物流、娛樂、旅行等）的自然語言處理需求；通過阿里云技術輸出，賦能廣大全網合作者，創造更多商業機會；沉淀技術，和學界、工業界合作者一起創新自然語言技術。

比賽中使用的分詞、詞性標注和句法分析等基礎NLP工具都是由該團隊自主研發的AliNLP 平臺。該平臺支持阿里大生態（新零售、金融、物流、娛樂、旅行等）的每天多達600億次的自然語言處理需求。團隊橫跨中國(杭州，北京)和美國（硅谷，西雅圖），普遍擁有10年以上自然語言處理研發經驗，30%以上有博士學歷（如CMU，伯克利，普林斯頓，清華，北大等）。 團隊多次在國際自然語言技術競賽中取得冠軍成績。

本次KBP比賽團隊主力 Zhang Qiong, Zhao HuaSha, Yang Yi等；2017 CGED比賽團隊主力李林琳，謝朋峻，楊毅等。

阿里巴巴奪實體發現測評全球第一

兩場比賽中，KBP是由NIST（National Institute of Standards and Technology，美國國家標準與技術研究院）指導、美國國防部協辦的賽事，主要任務為從自然書寫的非結構化文本中抽取實體，以及實體之間的關系。這次測評吸引了全球20多支頂尖團隊參與，包括IBM Research, BBN, Stanford Univ, CMU Univ, UIUC Univ, Columbia Univ, 騰訊等。

這項測評要求AI算法在“讀完”一篇英文文章后，構建一個物理世界的命名實體和實體之間關系的知識庫，如“克林頓和希拉里之間是夫妻關系”、“克林頓畢業于耶魯法學院”這樣一個個實體的關系。

司羅介紹，阿里的算法可以做到對文章上下文的理解。比如，文章出現了Apple，再出現Jobs，就可以辨別出這個Jobs指的是喬布斯，而不是工作。再比如，文章出現了Microsoft，那么Apple就更有可能是蘋果公司，而不是一種水果。

“另外，我們構建了一個算法去學習不同領域之間共同的部分，通過遷移學習提升我們學習的準確度。對于不同領域數據，我們取其精華，去其糟粕，進行智能學習”，司羅說。

在這次測評中，iDST團隊采用經過改良的深度神經網絡架構對文本進行理解。改良的架構有三個主要特點：首先該模型可以自動閱讀海量文章（如維基百科）并從中汲取經驗；其次，該架構可以智能選擇訓練數據集以保證訓練數據的準確性；最后，采用post regularization的辦法保證模型結果的一致性。

對于KBP2017的成績，司羅表示：“很榮幸能夠同全球的同行分享阿里巴巴的研究成果，人工智能在機器閱讀理解和知識庫構建上還處在起步階段，我們正在積極和同行業頂尖機構學習交流，推動行業發展。比如我們內部建設的信息抽取平臺AliIE項目就在同斯坦福大學展開積極合作”。

阿里巴巴正在將這樣的信息抽取技術廣泛的應用到實際業務當中，并致力于讓更多的中小開發者從中收益。他們搭建的信息抽取平臺AliIE擁有最頂尖的AI技術，并從一開始的架構設計就考慮到平臺的開放性和可擴展性，可以讓更多的開發者、研究員共同開發，并將成果回饋給這個社區。

阿里巴巴奪中文語法大賽 CGED全球冠軍

另一場比賽，中文語法錯誤自動診斷大賽（Chinese Grammatical Error Diagnosis，以下簡稱 CGED）由IJCNLP聯辦，今年已是第四屆。比賽的背景是：學習中文的外國人數不斷增加，由于中文的博大精深，外國友人在中文寫作中會出現語法錯誤。主辦方挑選了一些外國友人寫的中文作文片段，希望參賽者用人工智能算法自動識別里面的語法語義錯誤。

參賽機構比賽成績公布

根據組委會公開的結果，司羅團隊在所有的3個level的正確率都以較大優勢位居第一，獲取2017 CGED比賽的冠軍。主力成員李林琳，謝朋峻，楊毅等通過在深度學習中引入無監督的語法知識，同時結合了集成學習等方法取得了好成績。

司羅介紹，中文語法診斷的挑戰性在于，中文語言知識豐富、語法多樣；人在判斷一句話是否有錯誤的時候，會用到長期積累的知識體系（比如一句話是否通順、兩個詞是否可以搭配、語義上是否成立等）。相比之下，比賽提供的訓練數據非常有限，僅通過訓練數據來識別錯誤是很困難的。

賽題中包含的錯誤分為四種類型：多詞（Redundant）、缺詞（Missing）、錯詞（Selection）和詞序錯誤（Word Order）。系統性能的評估也由易到難分為3個level：detection level(識別句子有沒有錯誤)、identification level（識別錯誤句子的具體錯誤類型）和position level（識別錯誤的位置和對應類型）

比賽要求診斷的四種錯誤類型

比如，“我要送給你一個慶祝禮物。要是兩、三天晚了，請別生氣”這句話，在第3個Level，AI需要明確指出“兩、三天晚了”存在錯誤才能得分（正確用法應該是“晚了兩、三天”）。

根據組委會公開的結果，司羅團隊在所有的3個level的正確率都以較大優勢位居第一，獲取2017 CGED比賽的冠軍。他們通過在深度學習中引入無監督的語法知識，同時結合了集成學習等方法。

技術細節上，IDST團隊在bilstm-crf模型的基礎上，結合了分詞、詞性、依存句法等特征，同時將language model等無監督的知識embedding到神經網絡。依靠RNN結構以及詞性、依存等特征，不光能識別短程的語法錯誤，比如“一頭牛”好于“一只牛”；也能識別比較長程的語法錯誤，比如“雖然父母很辛苦，而且對孩子照顧得很好”中“雖然”和“而且“不搭配。此外，他們針對比賽的3個不同level，設計了不同的基于神經網絡的snapshot emsembles方法。

司羅表示：“很榮幸能夠同全球的同行分享阿里巴巴的研究成果，人工智能在對于自然語言的理解還處在起步階段，要實現真正的語義理解還需要 5-10 年的跨越。我們正在積極和同行業頂尖機構學習交流，推動行業發展”。

司羅認為，自然語言處理是實現強人工智能的非常重要的一環，而且重要性會越來越顯現。感知層面的事情越來越成熟了，認知層面也得跟上了。雖然有很大的鴻溝擺在面前，但這是必須要跨越的。“因為 NLP 技術是達到強人工智能的路上必須攻克的關鍵節點”。

總結

以上是生活随笔為你收集整理的燃！阿里AI技术取得重大突破：连破中、英语言处理两项世界纪录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。