动态 | 2018 NAACL语言学习建模竞赛：英语组冠军先声教育展望自适应学习技术

2018 年 6 月 27 日 AI科技评论

2018 NAACL语言学习建模竞赛对自适应学习技术的进步有巨大意义，AI 科技评论特邀秦龙博士，与他交流了大赛中的自适应领域最新研究成果。

AI 科技评论按：第十六届北美计算语言学会议 NAACL 于 6 月初在美国路易斯安那州的新奥尔良召开。NAACL 是自然语言处理与计算语言学领域的顶级学术会议之一。在语言学习建模竞赛中，国内人工智能企业先声教育在英语组赛事中夺得第一。其他参赛者包括来自全球顶尖学术界和产业界的研究团队，如剑桥大学、纽约大学、加利福尼亚大学等。

英语组冠军团队先声教育由其联合创始人及 CTO 秦龙博士带队参赛，参赛队员还包括首席语音科学家陈进和自然语言处理科学家徐书尧。秦龙博士毕业于卡内基梅隆大学，拥有 10 多年的人工智能行业经验。由于这一赛事对自适应学习技术的进步有巨大意义，雷锋网 AI 研习社特邀秦龙博士，与他交流了大赛中的自适应领域最新研究成果。

官网：

https://www.cs.rochester.edu/~tetreaul/naacl-bea13.html

值得一提的是，本次赛事夺冠也为先声教育在雷锋网(公众号：雷锋网)学术频道 AI 科技评论旗下数据库项目「AI 影响因子」获得加分。

AI 研习社：我们都知道 NAACL 是国际自然语言处理与计算语言学领域的顶级学术会议，为什么 NAACL 举行语言学习建模这一竞赛的用意是什么？

先声教育 CTO 秦龙：把自然语言处理技术应用到教育相关领域一直是 NAACL 的重要议题之一，每一届 NAACL 都会举办 BEA 教育技术专题研讨会，今年已经是第 13 届。今年 BEA 有两个公开任务，一个是单词复杂度识别（Complex Word Identification），一个是第二语言习得建模（Second Language Acquisition Modeling）。第二语言习得建模是指根据学生过去的答题 (第二语言学习) 历史，预测该学生能否对未来的题目作出正确应答。这对于构建能够作出智能推荐的自适应学习系统具有重大意义，是自适应学习最核心的模块。

（图为大会组织方进行 SLAM 竞赛的总结报告）

此次 SLAM 竞赛是由语言能力测试的权威机构 ETS 与世界上最大的语言学习应用 Duolingo 联合组织的。Singsound AI 团队参加了该任务的全部三个子任务：英语学习、西班牙语学习以及法语学习。先声教育的 CLUF 模型在英语学习上取得了第一名的好成绩，在西班牙语学习及法语学习上取得了第二名的成绩。

AI 研习社：比赛过程中的最大难点是什么？

先声教育 CTO 秦龙：主要难点有二：一是语言类学习以词汇、短语量庞大，且语法、搭配复杂著称，是自适应学习最难落地的学科，此外本次大赛考察多个语种，包括英语、西班牙语、法语；二是学习行为数据时间跨度长达 3 个月，数据量极其庞大，超过 100 万个句子，覆盖 6000 多名学生，使学习行为的数学模型更加复杂。

随着近年来互联网、人工智能等技术与教育的融合，计算机应用程序增加，教育行业积累了大量学生学习数据，可以利用来驱动实现个性化学习，目前数学学科方面也取得了一些进展。但对于一门语言的学习，知识点更细微、涉及词汇的互动知识、形态句法处理等更为复杂，加上需要分析极其庞大的数据群，对于数学模型的训练难度极大。

AI 研习社：据我们了解，目前国内自适应学习大多是基于知识图谱这样的一个系统，第二语言习得建模这样的任务跟知识图谱有什么区别吗？

先声教育 CTO 秦龙：自适应学习可以分为两个阶段：1）以推荐系统为基础的浅层自适应阶段；2）以学习行为建模为基础的深度自适应阶段。目前国内大多数企业仍处于浅层自适应阶段，从本次大赛英语第一的成果看，先声教育自适应系统已成功率先步入自适应学习的核心深度阶段。

我们先声团队使用的 CLUF 是一种基于深度学习的 Encoder-Decoder 模型，它由四个 encoder 构成，分别是语境编码器 Context Encoder、语言学特征编码器 Linguistic Encoder、用户信息编码器 User Encoder、题型信息编码器 Format Encoder，最后由解码器利用编码器输出的高维特征作出预测。

语境编码器用来编码句子的语言环境，它由一个字母级别的编码器与一个单词级别的编码器构成。字母级别编码器是一个层级式的循环神经网络结构，单词级别编码器则是一个双向长短期记忆神经网络 LSTM；语言学特征编码器也是一个 LSTM 结构，主要用于编码提取的语言学特征，为语境编码器提供额外的信息；用户编码器是一个全连接的结构，用于记录用户的第二语言能力与学习历史；题型编码器则是用来编码题型、答题方式等信息。

AI 研习社：先声的模型和其他参加团队具体有哪些不同，优势在哪里呢？

先声教育 CTO 秦龙：我们的 CLUF 模型最大的优势在于，通过把不同类型的特征分组，用符合相应特点的网络结构进行编码来挖掘数据的内在模式，CLUF 取得了非常出色的效果，在该任务上 Singsound AI 团队击败了来自于剑桥大学、纽约大学、首都东京大学、加州大学等团队。

在其他参赛队伍中，纽约大学也取得了不错的成绩。他们的系统会提取用户、词汇、上下文等基于认知科学、语言学的特征，然后使用梯度提升决策树 GBDT 模型进行建模。在西班牙和法语学习中取得最好分数的是来自于瑞典的 SanaLabs，他们采用了 ensemble 的方法，也就是使用多个不同的模型进行预测，然后对多个模型的预测结果进行加权组合的方法。实际上，对于类似的竞赛任务，大会组织方是不提倡采用 ensemble 的方法的，因为这样无法判断具体的模型究竟对该任务是否有效。为此，在组织方的总结报告中，大会组织者进行了的 ensemble 模型融合分析。很显然，融合所有团队的系统能够取得更好的效果。同时，在该融合系统中，先声教育的 CLUF 的贡献最大，其次是纽约大学的系统，SanaLabs 的系统权重最低。

（图为自然语言处理/计算语言学领军人物、斯坦福大学计算机系 Christopher D. Manning 教授与先声教育参赛团队讨论 CLUF 技术细节）

AI 研习社：对于本次大赛所有参赛团队的整体成绩，您对于自适应学习技术的未来抱有怎样的看法呢？

先声教育 CTO 秦龙：从大赛的整体结果看，现阶段自适应学习技术的成果比较乐观。在同自然语言处理/计算语言学领军人物、斯坦福大学计算机系 Christopher D. Manning 教授的交流过程中，Manning 教授点评道：「在自然语言处理与计算语言学领域，近年来不断地有新的方法新的问题被提出，引起了学术界工业界的广泛关注，在相关领域的研究人员队伍也在不断壮大。通过今年的 NAACL SLAM 竞赛，可以看到自适应学习技术落地的显著效果，也期待未来自适应学习技术跨界教育，应用于更广泛的领域。」

先声教育创始人及 CEO 陆勇毅对于企业的发展和愿景曾这样表示：「先声作为一家人工智能企业，目前已经服务业内近百家企业，我们一直保持着开放的心态，非常愿意将每个阶段的研究成果开放给国内外更多企业，助力 AI 升级教育行业。并且未来希望借助技术的优势，跨界赋能更多行业，推动智能化时代到来。」AI 研习社也将持续关注先声教育在自适应学习技术的发展。