在數(shù)據(jù)浪潮中“淘金”

王靜娟

網(wǎng)絡數(shù)據(jù)挖掘、自然語言處理、人工智能，簡單來說，這3個詞匯串聯(lián)起南開大學人工智能學院教授劉杰的絕大部分研究。那么，這三者是什么？又究竟有怎樣的關系？在劉杰的娓娓道來中，答案逐漸明了。

特殊的數(shù)據(jù)

網(wǎng)絡數(shù)據(jù)挖掘，簡單來說是從海量的數(shù)據(jù)中抽取出潛在的、有價值的知識（模型或規(guī)則）的過程。如果說互聯(lián)網(wǎng)數(shù)據(jù)猶如星辰密布，那么拋開那些雜亂的群星，還有一些被稱為“星座”的特殊輪廓。在數(shù)據(jù)的世界，“星座”是具有復雜結構性的數(shù)據(jù)，譬如序列型、網(wǎng)絡型數(shù)據(jù)。

劉杰說，傳統(tǒng)的機器學習大多是以單個數(shù)據(jù)為單元進行數(shù)據(jù)集上的模型學習，考慮的信息相對孤立?！白匀徽Z言等序列型數(shù)據(jù)則不同，它看重序列歷史信息，關注承上啟下，將樣本在序列上下文中進行判斷；社交網(wǎng)絡等網(wǎng)絡型數(shù)據(jù)，需要搜集個體社交、交互情況，依據(jù)成型的網(wǎng)狀環(huán)境綜合判斷得到結論?！眱烧呤羌瓤紤]樣本自身特點，又注重結構情境影響的典型代表。而這也給研究增加了不少挑戰(zhàn)。不僅如此，諾大的數(shù)據(jù)汪洋中，精準搜集、定點捕撈相當于大海撈針。此外，劉杰還指出，文本作為互聯(lián)網(wǎng)上的主要信息載體有著一個明顯的特征，那就是寫法隨意，不受語言表達方式的限制，與正規(guī)的文章之間橫亙著一條顯著的界限。這也直接造成了語言語義的識別困難。

那么險阻重重，迎難而上的價值究竟是什么？“綜合網(wǎng)絡結構和文本信息，能夠更好地理解語義，準確完成知識發(fā)現(xiàn)、人機對話、智能問答、輿情分析等諸多人工智能任務”，劉杰提出了最直接的研究價值。

他坦言，自己近幾年將主要精力放在網(wǎng)絡數(shù)據(jù)中的自然語言處理方面，尤為關注的是網(wǎng)絡數(shù)據(jù)挖掘與自然語言處理相結合。這樣做，歸根還得說到網(wǎng)絡信息的主要媒介——文字。“語句由單字構成，對它進行判斷建模才能進一步識別句子中的特定內(nèi)容?！崩纾渲邪年P鍵人名、地名等。在自然語言處理的角度下進行網(wǎng)絡數(shù)據(jù)挖掘，相關機構能夠迅速了解互聯(lián)網(wǎng)的熱門話題，甚至搞清楚大眾對某一事件的普遍看法?！斑@可以幫助企業(yè)了解自身產(chǎn)品的特點，摸清楚輿情。”

作為具備悠久歷史的研究方向，自然語言處理研究還不斷開發(fā)“新技能”。隨著人工智能的誕生進化，算法、算力、大數(shù)據(jù)研究日趨成熟，自然語言處理方向也迎來了新浪潮，對話機器人便是典型的范例。在劉杰的介紹中，其廣泛應用于電商客服、個人助理等服務領域，有效節(jié)省了人力和經(jīng)濟支出。“對話等同于讓機器人運用自然語言算法去閱讀理解和交互，除了準確理解語義，還得生成自然語言答案?！彼枰诶斫馊祟愓Z言的基礎上給出合理答復。

不管是理解還是反饋，劉杰說皆不是易事。區(qū)別于許多動物普遍具有的視覺、嗅覺等基本感知能力，語言是人類特殊的關鍵認知能力?！盎靖兄芰Λ@取自然界中的信息。而語言經(jīng)過創(chuàng)造和傳承，則包含更深刻的邏輯性、常識性、文化性，是更高層次和難度的智能體現(xiàn)?！边@種獨特的智慧形式，也促使自然語言處理成為人工智能發(fā)展的重要一環(huán)。

觸類旁通促發(fā)展

從業(yè)多年，對劉杰來說，在環(huán)環(huán)相扣的人生各階段，兩次訪學經(jīng)歷令他印象深刻。他在一群優(yōu)秀的科研學者身上學到了科研方法、治學態(tài)度，還擴寬了研究思路。在校內(nèi)，他勤懇地開展科研工作；走出校門，在工業(yè)界研究機構，劉杰還接觸到不同的科研風格。他說，高校與企業(yè)的環(huán)境相輔相成，自己正是在兩者的熏陶下夯實基礎。

憑借在國內(nèi)外的經(jīng)驗積累，劉杰于南開大學任教后打響了獨立科研征途的第一槍。他主持了自己首個國家自然科學基金項目“基于深度學習的結構化預測模型研究”。當時，深度學習的研究熱潮剛剛興起，劉杰作為第一批“吃螃蟹”的人，以深度學習為手段去研究序列型數(shù)據(jù)建模。該項目也為他后續(xù)工作拉開序幕，密切聯(lián)系了視頻內(nèi)容的動作識別、自然語言的關鍵信息識別等任務。

“近期，我們又開展了一個新的自然科學基金項目，叫作‘基于跨模態(tài)的網(wǎng)絡表征學習?！眲⒔苷f，跨模態(tài)是項目關鍵詞，即網(wǎng)絡數(shù)據(jù)從單模態(tài)轉變?yōu)槎嗄B(tài)。而所謂模態(tài)，如圖像、文本、聲音等具備結構或屬性的信息，每一種代表一種模態(tài)?！霸诨ヂ?lián)網(wǎng)，描述同一事件的模態(tài)可能是文字、聲音，甚至還包括圖像。不同模態(tài)信息之間并不是獨立的，而是存在語義上的互補。為了有效提升表達的質(zhì)量，我們希望采用合理的手段來融合多模態(tài)信息，將它們綜合體現(xiàn)在一個模型里?！辈贿^，這是一個難題，讓劉杰的研究工作面臨挑戰(zhàn)。

“研究長時間沒有突破口，直到有一天，從另外的一件事情反而得到了啟發(fā)?！彼忉屨f，如果將網(wǎng)絡數(shù)據(jù)轉換為不同模態(tài)下的網(wǎng)絡，將模態(tài)轉化視作語言的翻譯，就能夠利用機器翻譯的思路，從而設計一種自我翻譯的網(wǎng)絡表示學習模型來解決問題。紙上得來終覺淺，經(jīng)實踐證明，劉杰采取的思路和辦法十分有效，相關成果匯總成的論文被頂級會議和期刊發(fā)表?！斑@件事情也讓我看待問題、事情，嘗試多轉換角度。你怎樣去審視問題，實際就決定了有哪些可選的思路或者方案。只有換了視角，才能跳出原有的局限?！?/p>

做專注的行動派

即便肯定了“靈感”的重要作用，但劉杰同時也強調(diào)，這一切是建立在良好的學科基礎、豐富的知識積累之上。不論是在KDD、AAAI、IJCAI、IEEE TKDE等國際頂級會議和期刊發(fā)表論文，還是獲得天津市科技進步獎二等獎、2017CCF大數(shù)據(jù)與計算智能大賽特等獎及一等獎等榮譽，都和劉杰自身的長期積淀有緊密聯(lián)系。“一個想法的閃現(xiàn)，其實是知識體系和思考方式等共同作用的結果。前期在理論、算法上持續(xù)地研究是必備的基礎?！?/p>

在談及工作壓力的來源時，劉杰認為，學者除了關注前沿研究進展，還理應重視理論與產(chǎn)業(yè)融合?！叭绾螌⑵髽I(yè)實際問題轉化成一個可以用模型、算法來解決的理論問題，這其中不止涉及一個問題，而是很多問題?！币皇且鞔_企業(yè)應用問題，深入到各個部門了解情況，“這不光是走流程，還得站在理論研究的背景和基礎條件上聽意見，發(fā)掘工作特點，找到問題癥結”；二是問題的轉化與建模，將發(fā)現(xiàn)的應用問題轉化為計算機算法所對應的問題，進一步實現(xiàn)算法、程序的搭建。

摸底、布局把好關，劉杰將工作做好、做細、做實的另一法門，便是專注。他結合自身的求學、從業(yè)經(jīng)歷特別指出，學術和應用上保持寬廣視野的同時，要注意避免過于發(fā)散的思維?！皩Υ恳患虑椋仨毮軌蜢o下心來思考并進一步挖掘更深層次的內(nèi)容。也要往前看，想一想現(xiàn)在做的事情對未來會產(chǎn)生怎樣的影響。”劉杰表示，迄今仍會兼顧理論、應用兩個層面，但不會過分寬泛地涉獵?！拔彝ǔＴ谝粋€點或者若干個關鍵點上研究理論和前沿應用?；A理論幫助我快速理解前沿的應用，更好地解決問題。反過來，應用也是一種導向，讓我知道社會的需求在哪，我該朝著怎樣的理論方向去研究?！鼻把貞檬腔A研究的出發(fā)點，理論基礎是實際應用的落腳點。對劉杰來講，理論和應用兩條腿走路，可以走得更遠、更穩(wěn)。

團隊發(fā)展方面，劉杰對不同階段、不同訴求的學生采取針對性指導?！爱厴I(yè)要去企業(yè)工作的，就著重培養(yǎng)他們的動手能力；有進一步學術上深造打算的，就會根據(jù)發(fā)展路線提供學術能力鍛煉的機會。我們團隊有很多優(yōu)秀的學生，既能兼顧學習，在科研上也做了大量的工作，包括參與論文的發(fā)表、獲得科研競賽獎勵等。這些都很好地鍛煉了他們的能力?！睂τ谌瞬诺呐囵B(yǎng)，劉杰提倡依據(jù)學業(yè)階段“因時制宜”，還明確了工作認真、保持好奇的重要性。

面向未來，劉杰表示，通過數(shù)據(jù)分析、挖掘和模型預測來替代人類開展智能化工作是大勢所趨，“不過因為算法、模型等局限性，人類距離完全的智能化階段還有距離”。他的工作契合時代發(fā)展，特別是當大數(shù)據(jù)挖掘和人工智能逐漸滲透多行業(yè)，變革成為正在進行時。