基于铁路客运知识库的意图识别模型训练及应用研究

自2018年以来,铁路客服中心开始引入人工智能技术,并在语音机器人场景进行系统试用,然而试用过程中发现存在知识检索精度低以及知识构建和维护效率低等问题。为了解决上述问题,文章主要研究了基于铁路客运客服知识库的意图识别模型训练及应用技术,从以下三个方面展开探讨:首先,介绍了多预训练模型融合蒸馏的意图识别模型训练技术,包括模型预训练、模型融合和模型蒸馏等关键技术;其次,研究了基于意图识别的信息检索技术,该技术在传统基于关键字的信息检索技术的基础上,结合了检索意图识别,从而提高了知识检索的精度;最后,介绍了基于规则与模型结合的非结构化知识自动采编技术,通过设计规则抽取和意图识别模型抽取两种方法,实现了从海量非结构化文本中自动抽取和采编结构化知识的功能,从而解决了知识构建及维护效率低的问题。

面向学科题目的文本分析方法与应用研究综述

分析学科题目含义、模拟人类解决问题,是当前“人工智能+教育”融合研究的重要方向之一。近年来,智能教育系统的快速发展积累了大量学科题目资源,为相关研究提供了数据支撑。为此,利用大数据分析与自然语言处理相关的技术,研究者提出了大量面向学科题目的文本分析方法,开展了许多重要的智能应用任务,对探索人类知识学习等认知能力具有重要意义。该文围绕智能教育与自然语言处理交叉领域,介绍了若干代表性研究任务,包括题目质量分析、机器阅读理解、数学题问答、文章自主评分等,并对相应研究进展进行阐述和总结;此外,对相关数据集和开源工具包进行了总结和介绍;最后,展望了多个未来研究方向。

Promoting interactions between cognitive science and large language models

Large language models(LLMs)have made unprecedented progress,demonstrating human-like language proficiency and an extraordinary ability to encode complex knowledge.The emergence of high-level cognitive capabilities in LLMs,such as in-context learning and complex reasoning,suggests a path toward the realization of artificial general intelligence(AGI).However,we lack scientific theories and tools to assess and interpret such an emergence of the advanced intelligence of LLMs.Artificial intelligence(AI)has been extensively applied in various areas of fundamental science to accelerate scientific research.

英语口语自动评测新方法——中国学生英语朗读自动评测系统

自动评测可以弥补人工评测主观性较强、费时费力等不足,但目前仍存在评测项涵盖不够全面、技术层面和语言学层面结合不够紧密等问题。为此,本研究开发了中国学生英语朗读自动评测系统,其特点体现在语音评测项、评分方式、人工专家的作用、技术模型等方面。此外,该系统基于中国英语学习者语音数据库,评测对象更具针对性。本系统的研发与不断优化对语言评测动态体系的构建及口语自动评测技术的发展具有重要的理论和实践意义。