多所高校學者探討智慧資訊檢索與挖掘

中國人民大學供圖

中國青年報客戶端訊（中國青年報·中國青年網記者 葉雨婷）9月17日，由北京智源人工智慧研究院（以下簡稱“北京智源”）主辦，中國人民大學高瓴人工智慧學院（以下簡稱“高瓴人工智慧學院”）協辦的“智慧資訊檢索與挖掘”報告會在京成功舉辦。這是國內資訊檢索與挖掘頂尖學者首次對這一領域的各個關鍵問題做全景式報告。

據悉，作為北京智源繼“人工智慧數理基礎”和“機器學習”後釋出的第三個重大科研方向，“智慧資訊檢索與挖掘”旨在於智慧資訊檢索與挖掘的基礎理論方面尋求突破，同時基於理論基礎，建立新型資訊檢索與挖掘演算法，有效解決使用者精準多樣的資訊需求與龐大網際網路資料規模之間的鴻溝問題。

在本次報告會上，共有9位學者圍繞著“智慧資訊檢索與挖掘”這一方向的各個關鍵領域。

其中，中科院計算所研究員郭嘉豐從認知視角來理解相關性，他表示，相關性是資訊檢索領域的核心概念，計算機科學領域和資訊科學領域都對此展開了長期研究，計算機科學領域側重於相關性的建模，而資訊科學領域則側重於對相關性認知過程的探索，隨著機器學習技術的發展，特別是深度學習技術的到來，深度檢索模型具備了強大的模型容量和擬合能力，使得我們有可能利用深度檢索模型建模更加複雜的相關性決策過程，提升相關性建模的有效性。

中國人民大學教授徐君重點介紹了強化排序學習在搜尋中的研究進展，包括使用者與搜尋系統的互動模式分析和基於馬爾科夫決策過程的多樣化排序任務建模與求解。實驗結果表明強化排序學習能夠透過多輪互動獲得更優的網頁排序策略。

清華大學教授王建勇嘗試建立一個基於分層概念規則集的可解釋性學習框架。位於某一層次的規則集對應於相應粒度的某個概念，我們使用這些不同粒度的概念來獲得資料的一個可解釋性表示，進而提出了一個面向分類任務的、挖掘高質量概念規則集的框架。實驗結果表明該學習框架可以獲得和其他可解釋性學習演算法相近的分類效能，同時提供了更好的可解釋性。