EMNLP（Conferenceon Empirical Methodsin Natural Language Processing）是計(jì)算語(yǔ)言學(xué)和自然語(yǔ)言處理領(lǐng)域的頂級(jí)國(guó)際會(huì)議之一，也是整個(gè)計(jì)算機(jī)科學(xué)領(lǐng)域被引用量次數(shù)最多的會(huì)議之一，由ACL旗下SIGDAT組織，每年舉辦一次，GoogleScholar計(jì)算語(yǔ)言學(xué)刊物指標(biāo)中排名第二。EMNLP論文入選標(biāo)準(zhǔn)極為嚴(yán)格，EMNLP2020共收到有效投稿3114篇，錄用754篇，錄用率僅為24.82%。在即將召開的EMNLP學(xué)術(shù)會(huì)議上將展示自然語(yǔ)言處理領(lǐng)域的前沿研究成果，這些成果也將代表著相關(guān)領(lǐng)域和技術(shù)細(xì)分中的研究水平以及未來(lái)發(fā)展方向。

　　《KERS：A knowledge-enhanced framework for recommendation dialog systems with multiple subgoals》是小i機(jī)器人研究院團(tuán)隊(duì)與華東師范大學(xué)聯(lián)合發(fā)表的一篇關(guān)于多目標(biāo)對(duì)話系統(tǒng)的論文。KERS（Knowledge-Enhanced multi-subgoal driven Recommender System）是一個(gè)基于通用知識(shí)的多子目標(biāo)對(duì)話統(tǒng)一框架，能有效地解決多子目標(biāo)推薦式對(duì)話問(wèn)題。

　　推薦式對(duì)話系統(tǒng)因其巨大的商業(yè)潛力在最近引起了廣泛關(guān)注，這類系統(tǒng)首先通過(guò)對(duì)話引出用戶偏好，然后根據(jù)引出的偏好提供高質(zhì)量的推薦。將此類對(duì)話劃分為多個(gè)子目標(biāo)(如社交聊天問(wèn)答、推薦等)，有利于系統(tǒng)在不同子目標(biāo)下檢索到更合適、更準(zhǔn)確的知識(shí)。論文中的KERS由三個(gè)模塊組成:對(duì)話引導(dǎo)模塊、編碼器和解碼器，如圖2所示。該解碼器包含三個(gè)新機(jī)制：序列注意機(jī)制，噪聲過(guò)濾機(jī)制、知識(shí)增強(qiáng)模塊。對(duì)于每個(gè)對(duì)話回合，對(duì)話引導(dǎo)模塊預(yù)測(cè)該回合的子目標(biāo)，并為下一個(gè)回答選擇知識(shí)。然后，編碼器對(duì)子目標(biāo)、所選知識(shí)和對(duì)話上下文進(jìn)行編碼。最后，編碼器的輸出被輸入到解碼器以生成最終的對(duì)話回復(fù)。

　　KERS中的序列注意機(jī)制增強(qiáng)了子目標(biāo)引導(dǎo)，噪聲過(guò)濾消除了不相關(guān)和不必要的知識(shí)，知識(shí)增強(qiáng)模塊增加了所選知識(shí)在響應(yīng)生成中的重要性。實(shí)驗(yàn)結(jié)果表明，該方法在DuRecDial數(shù)據(jù)集上不管是自動(dòng)評(píng)估還是人工評(píng)估方式都取得了SOTA的結(jié)果。

　　多年來(lái)，小i機(jī)器人非常注重產(chǎn)學(xué)研的深度結(jié)合，研發(fā)探求技術(shù)創(chuàng)新，也一直將最新的認(rèn)知智能技術(shù)研究成果和落地應(yīng)用展示于國(guó)際頂級(jí)學(xué)術(shù)會(huì)議和賽事中。此次聯(lián)合論文入選EMNLP2021，是繼今年小i機(jī)器人與華東師范大學(xué)聯(lián)合發(fā)表的另一篇論文《An Argument Extraction Decoder in Open Information Extraction》入選ECIR2021后，再次被國(guó)際頂級(jí)會(huì)議錄用，展示出了小i機(jī)器人超強(qiáng)的技術(shù)積累實(shí)力。未來(lái)，小i機(jī)器人也會(huì)持續(xù)將先進(jìn)的認(rèn)知智能技術(shù)與產(chǎn)業(yè)應(yīng)用相融合，賦能產(chǎn)業(yè)發(fā)展，用認(rèn)知智能技術(shù)探索人工智能的無(wú)限可能。