美国时间2018年7月8-12日，16级陈道源、邓扬同学在雷凯、沈颖老师的指导下，参加了在美国密歇根安娜堡（Ann Arbor Michigan）举办的ACM SIGIR 2018 (Special Interest Group on Information Retrieval)国际会议,将实验室的研究成果在会议上展示并与来自全球的学者共同讨论。
ACM SIGIR会议创始于1971年，至今已有40多年历史。ACM SIGIR会议是信息检索领域的顶级会议，被中国计算机学会（CCF）列为A类会议，专注于展示与信息检索基础理论、技术与应用有关的研究，在信息检索领域具有很高的国际影响力（http://sigir.org/sigir2018）。
陈道源同学在本次会议上发表了一篇短文“Ontology Evaluation with Path-based Text-aware Entropy Computation”，并在会议上做了海报论文展示。
邓扬同学在本次会议上发表了一篇短文“Knowledge-aware Attentive Neural Network for Ranking Question Answer Pairs”，并在会议上做了海报论文展示。
通过参加本次会议,了解了相关领域内最新研究进展，开拓了视野。通过做报告，认识到了语言表达的重要性。通过与参会人员的交流，受到了很多启发。感谢互联网研发中心、雷老师和沈老师的资助。
以下是论文列表及简介：
- Ontology Evaluation with Path-based Text-aware Entropy Computation
- 作者：Ying Shen*, Daoyuan Chen*, Min Yang, Yaliang Li, Nan Du, Kai Lei（* indicates equal contribution）
- 文章链接：https://dl.acm.org/citation.cfm?id=3210067
简介：随着知识交换的重要性日益上升，本体已成为知识交换和语义集成等语义驱动应用程序共享知识模型开发的关键技术。使用熵来测量知识碱基的可预测性和冗余性，特别是本体的可预测性和冗余，已经取得了重大进展。然而，目前用于评估本体的熵应用只考虑单点连接，而不考虑路径连接，为每个实体和路径分配相等的权重，并假定顶点是静态的。针对这些不足，本文提出了一种基于路径的文本感知熵计算方法PTEC，该方法考虑不同顶点之间的路径信息和路径内的文本信息，计算整个网络的连接路径以及不同节点之间的不同权重。从基于结构的嵌入和基于文本的嵌入获得的信息乘以熵计算的连通性矩阵。基于本体统计信息(数据量)、熵评估(数据质量)和案例研究(本体结构和文本可视化)，对三种真实世界本体进行了实验评价。这些方面相互证明了我们方法的可靠性。实验结果表明，PTEC能够有效地评价本体，特别是在医学领域。
- Knowledge-aware Attentive Neural Network for Ranking Question Answer Pairs
- 作者：Ying Shen, Yang Deng, Min Yang, Yaliang Li, Nan Du, Wei Fan, Kai Lei
- 文章链接：https://dl.acm.org/citation.cfm?id=3210081
- 开源代码：https://github.com/d123y456/kablstm
简介：问答对排序由于其广泛的应用，如信息检索和问答（QA），近年来引起了越来越多的关注。深度神经网络在此任务上取得了重大进展。然而，在人类文本理解中起着至关重要的作用的文本背景信息和隐藏在上下文之外的关系，在最近取得最好结果的深度神经网络中几乎没有被深入研究。在本文中，我们提出了KABLSTM，一个知识感知的注意双向长短记忆循环神经网络，利用外部知识从知识图谱（KG），丰富了QA句子的向量表示学习。具体地，我们提出了上下文知识交互学习的体系结构，其中，我们设计了一个上下文信息引导的注意卷积神经网络（CNN），将外部知识嵌入到句子表示中。此外，提出了一种知识感知的注意机制来关注QA对的各个部分之间的重要信息。KABLSTM在两个广泛使用的基准QA数据集上评估：WikiQA和TREC QA。实验结果表明，KBLASTM具有较强的竞争优势和得到了最好的实验结果。
