期刊名称：人工智能 创刊时间：2017年12月 主管单位：工业和信息化部 主办单位：中国电子信息产业发展研究院、赛迪工业和信息化研究院（集团）有限公司 刊期：双月刊 国内统一连续出版物号：CN 10-1530/TP 国际标准连续出版物号：ISSN 2096-5036 邮发代号：80-381 电话：010-88558766 email：aiview@ccidmedia.com
<正>近年来,在移动互联网、大数据、云计算、深度学习等技术的发展推动下,智能语音技术渐趋成熟,行业发展进入场景应用布局阶段。移动互联网、智能家居、汽车、医疗、教育等领域的应用带动智能语音产业规模持续快速增长。2016年全球智能语音市场规模达到了81亿美元,年均复合增长率高达35.0%。未来,随着技术成熟和应用推广,全球智能语音产业将继续保持规模性增长,据Research and Markets预测,2020年全球市场规模可达到191.7亿美元,年均复合增长率为23.8%。
<正>作为自然语言理解能力的重要一环,机器摘要技术一直为相关研究人员所重视。随着新闻聚合类APP、智能语音音箱和智能手机助手等产品的兴起,机器摘要技术也得到了越发广泛的应用。(Automatic Summarization)是利用计算机自动实现文本分析、内容归纳和摘要自动生成的技术。按照不同的标准,文本自动摘要可以划分为不同的类
<正>利用机器翻译打破现今语言交流的隔阂一直是机器学习领域的重要课题。机器翻译的研究历经基于语法规则、实例数据、统计方法的机器翻译时代,发展到现在,成为利用以编码解码为基本框架而设计的、利用神经网络对翻译过程建模的神经机器翻译。编码解码结构设计的诞生,不仅缓解了神经机器翻译的网络框架选择问题,还使翻译过程无需依赖隐藏结构;配合注意力机制的引用,使神经机器翻译的译文
<正>该论文获得国际2017 Text REtrieval Conference (TREC)任务赛第一名,由小i机器人和华东师范大学合作完成。本文介绍的是中方在2017 LiveQA任务中的系统。此系统主要由三部分组成:候选答案检索、问题相似度测量和答案重排。具体来说,我们首先在多个社区问答网站中搜索获得候选的相似问题——答案对。
<正>事件抽取(Event Extraction)是信息抽取研究中最具挑战性的任务之一,其主要研究如何从非结构化自然语言文本中抽取出事件的基本信息。事件抽取研究一直是信息抽取领域的热点,研究学者提出了多种事件抽取的方法,并被应用在各种原型系统和研究任务当中。本文在传统事件抽取任务的框架下提出了一个新的任务形式:使用结构化知识库作为远监督来自动标注文本,构造事件抽取数据集,并以此训练相应的事件抽取模型。这样不但可以节省大量的人工标注成本,同时也可以使机器不断抽取新类型的事件。
<正>智能交互是人与计算机之间以一定的交互方式,为完成某种任务目标的信息交换过程。整个交互系统从接收用户的输入信息开始,包括语音、表情、手势等多模态信息,通过对这些信息进行理解并产生输出结果,最后以文字或语音等形式展现出来。语音作为人与计算机之间的一种重要交互方式,与对话系统构成了人机交互的新闭环。如图1所示,首先从用户语音输入开始要做一些前端处理,如去除噪声、混响、
<正>人机对话一直是人工智能中一个颇具难度的研究领域。它不仅能给人类日常生活带来直接的便利,还可以弥补使用者的情感空洞。人机对话系统有三个基本模块:口语语言理解、对话管理和自然语言生成。不同目的的对话系统在各个模块上的实现方法上也不尽一致。目前,各大互联网技术公司都已经推出了对话系统服务平台。当今人机对话系统的主要研究方向是赋予机器"情感",让机器得以识别对话人的情感并作出更为人性化的回应。
<正>近二十年来,统计参数语音合成方法发展迅速,声学建模与声码器是其中两个关键技术。声码器用于从语音波形中提取基频、频谱等声学特征,以及基于声学模型预测的声学特征,以重构语音波形,传统声码器基于源-滤波器思想设计。但是现阶段基于源-滤波器模型的声码器仍然制约着统计参数合成语音质量的进一步提升。本文介绍了一种基于神经网络的语音合成声码器。该声码器基于2016年谷歌
<正>文本生成技术是人工智能领域的重要课题,在语音搜索和语音对话中应用广泛。依据输入的不同,文本生成技术主要包括两类:数据到文本生成和文本到文本生成。数据到文本生成是指将包含键值对的数据转化为自然语言文本;文本到文本生成对输入文本进行转化和处理从而产生新的文本,其典型的子技术有序列到序列的文本生成、文档摘要技术。百度产品中融合、应用了大量文本生成技术,让用户获取信息更加简单便捷。
<正>本文提出从复杂网络理论认识知识工程的新视角,将知识工程中的本体实例作为复杂知识网络中的一个节点,建立整个知识体系的知识网络图。研究该网络的整体特征,确定网络的性质,为知识工程的未来发展提供理论依据,并提出在某石油公司知识工程项目中的应用现状和未来应用设想。一、知识工程的概述在谈知识工程之前,首先来了解什么是知识。对知识的深刻认识源于互联网的普
<正>互联网经济的发展给商业银行的经营管理和风险管理带来诸多前所未有的挑战,传统的事后风险监控方式越来越难以适应新形势的要求。本文以某银行为案例背景,介绍如何利用自然语言处理(NLP)技术,通过对企业工商、税务、司法、行政处罚、新闻舆情等非结构化数据的分析挖掘,从宏观、中观和微观层面实现对地域、行业和企业的舆情监控,生成可视化的知识图谱和企业关联关系图谱,实现对企业风险的全方位监控。
<正>自然语言处理(NLP)被誉为"人工智能皇冠上的明珠",自然语言处理的技术会推动人工智能整体的进展,从而使人工智能技术可以落地实用化。许多科技公司在AI方面的投入都不遗余力,AI对于阿里巴巴而言同样重要,NLP更是如此。近日,在斯坦福大学发起的SQuAD(Stanford Question Answering Dataset)文本理解挑战赛上,阿里巴巴凭借82.440的精准率打破了世界纪录,并且超越
<正>在人工智能给人们的生活带来便利的同时,其在艺术等领域的应用也获得了研究人员的关注。其中,现在的机器作诗工作几乎可以达到对非文学专业的普通群众"以假乱真"的水平。基于主题规划的写诗方法解决了机器写诗主题相关性弱的问题,其基本思路是:通过对诗歌题目的解析,规划得到全诗每一句的主题词,并结合序列到序列生成机制,依次完成每一句诗歌的生成过程。