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

2017 年 11 月 25 日 阿里技术 厉害了！

日前，阿里巴巴披露了自然语言处理技术取得的两项新成绩：在全球顶级的知识库构建测评KBP2017中，斩获英文实体发现测评全球冠军；在中文语法错误自动诊断大赛（Chinese Grammatical Error Diagnosis，以下简称 CGED）三个level中全面夺得冠军，核心指标比其他参赛机构高出一倍。

iDST自然语言处理首席科学家司罗

司罗是全球权威机器智能学者，曾担任美国普渡大学计算机系终身教授，先后获得美国国家科学基金会成就奖、雅虎、谷歌研究奖等。在阿里巴巴，司罗领导了iDST自然语言处理团队，他们的使命是支持阿里大生态（新零售、金融、物流、娱乐、旅行等）的自然语言处理需求；通过阿里云技术输出，赋能广大全网合作者，创造更多商业机会；沉淀技术，和学界、工业界合作者一起创新自然语言技术。

比赛中使用的分词、词性标注和句法分析等基础NLP工具都是由该团队自主研发的AliNLP 平台。该平台支持阿里大生态（新零售、金融、物流、娱乐、旅行等）的每天多达600亿次的自然语言处理需求。团队横跨中国(杭州，北京)和美国（硅谷，西雅图），普遍拥有10年以上自然语言处理研发经验，30%以上有博士学历（如CMU，伯克利，普林斯顿，清华，北大等）。团队多次在国际自然语言技术竞赛中取得冠军成绩。

本次KBP比赛团队主力 Zhang Qiong, Zhao HuaSha, Yang Yi等；2017 CGED比赛团队主力李林琳，谢朋峻，杨毅等。

阿里巴巴夺实体发现测评全球第一

两场比赛中，KBP是由NIST（National Institute of Standards and Technology，美国国家标准与技术研究院）指导、美国国防部协办的赛事，主要任务为从自然书写的非结构化文本中抽取实体，以及实体之间的关系。这次测评吸引了全球20多支顶尖团队参与，包括IBM Research, BBN, Stanford Univ, CMU Univ, UIUC Univ, Columbia Univ, 腾讯等。

这项测评要求AI算法在“读完”一篇英文文章后，构建一个物理世界的命名实体和实体之间关系的知识库，如“克林顿和希拉里之间是夫妻关系”、“克林顿毕业于耶鲁法学院”这样一个个实体的关系。

司罗介绍，阿里的算法可以做到对文章上下文的理解。比如，文章出现了Apple，再出现Jobs，就可以辨别出这个Jobs指的是乔布斯，而不是工作。再比如，文章出现了Microsoft，那么Apple就更有可能是苹果公司，而不是一种水果。

“另外，我们构建了一个算法去学习不同领域之间共同的部分，通过迁移学习提升我们学习的准确度。对于不同领域数据，我们取其精华，去其糟粕，进行智能学习”，司罗说。

在这次测评中，iDST团队采用经过改良的深度神经网络架构对文本进行理解。改良的架构有三个主要特点：首先该模型可以自动阅读海量文章（如维基百科）并从中汲取经验；其次，该架构可以智能选择训练数据集以保证训练数据的准确性；最后，采用post regularization的办法保证模型结果的一致性。

对于KBP2017的成绩，司罗表示：“很荣幸能够同全球的同行分享阿里巴巴的研究成果，人工智能在机器阅读理解和知识库构建上还处在起步阶段，我们正在积极和同行业顶尖机构学习交流，推动行业发展。比如我们内部建设的信息抽取平台AliIE项目就在同斯坦福大学展开积极合作”。

阿里巴巴正在将这样的信息抽取技术广泛的应用到实际业务当中，并致力于让更多的中小开发者从中收益。他们搭建的信息抽取平台AliIE拥有最顶尖的AI技术，并从一开始的架构设计就考虑到平台的开放性和可扩展性，可以让更多的开发者、研究员共同开发，并将成果回馈给这个社区。

阿里巴巴夺中文语法大赛 CGED全球冠军

另一场比赛，中文语法错误自动诊断大赛（Chinese Grammatical Error Diagnosis，以下简称 CGED）由IJCNLP联办，今年已是第四届。比赛的背景是：学习中文的外国人数不断增加，由于中文的博大精深，外国友人在中文写作中会出现语法错误。主办方挑选了一些外国友人写的中文作文片段，希望参赛者用人工智能算法自动识别里面的语法语义错误。

参赛机构比赛成绩公布

根据组委会公开的结果，司罗团队在所有的3个level的正确率都以较大优势位居第一，获取2017 CGED比赛的冠军。主力成员李林琳，谢朋峻，杨毅等通过在深度学习中引入无监督的语法知识，同时结合了集成学习等方法取得了好成绩。

司罗介绍，中文语法诊断的挑战性在于，中文语言知识丰富、语法多样；人在判断一句话是否有错误的时候，会用到长期积累的知识体系（比如一句话是否通顺、两个词是否可以搭配、语义上是否成立等）。相比之下，比赛提供的训练数据非常有限，仅通过训练数据来识别错误是很困难的。

赛题中包含的错误分为四种类型：多词（Redundant）、缺词（Missing）、错词（Selection）和词序错误（Word Order）。系统性能的评估也由易到难分为3个level：detection level(识别句子有没有错误)、identification level（识别错误句子的具体错误类型）和position level（识别错误的位置和对应类型）

比赛要求诊断的四种错误类型

比如，“我要送給你一个庆祝礼物。要是两、三天晚了，请别生气”这句话，在第3个Level，AI需要明确指出“两、三天晚了”存在错误才能得分（正确用法应该是“晚了两、三天”）。

根据组委会公开的结果，司罗团队在所有的3个level的正确率都以较大优势位居第一，获取2017 CGED比赛的冠军。他们通过在深度学习中引入无监督的语法知识，同时结合了集成学习等方法。

技术细节上，IDST团队在bilstm-crf模型的基础上，结合了分词、词性、依存句法等特征，同时将language model等无监督的知识embedding到神经网络。依靠RNN结构以及词性、依存等特征，不光能识别短程的语法错误，比如“一头牛”好于“一只牛”；也能识别比较长程的语法错误，比如“虽然父母很辛苦，而且对孩子照顾得很好”中“虽然”和“而且“不搭配。此外，他们针对比赛的3个不同level，设计了不同的基于神经网络的snapshot emsembles方法。

司罗表示：“很荣幸能够同全球的同行分享阿里巴巴的研究成果，人工智能在对于自然语言的理解还处在起步阶段，要实现真正的语义理解还需要 5-10 年的跨越。我们正在积极和同行业顶尖机构学习交流，推动行业发展”。

司罗认为，自然语言处理是实现强人工智能的非常重要的一环，而且重要性会越来越显现。感知层面的事情越来越成熟了，认知层面也得跟上了。虽然有很大的鸿沟摆在面前，但这是必须要跨越的。“因为 NLP 技术是达到强人工智能的路上必须攻克的关键节点”。