阿里发表论文

论文：论文题目：《Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Prediction》地址：这是阿里妈妈发表在2020SIGIR上面的又一篇佳作，让我们来阅读一下这篇论文吧。在CTR/CVR预估领域中，用户历史行为对CTR/CVR预估的建模是很有指导意义的，用户的历史行为序列中潜藏着用户丰富的”兴趣点“，用户的每一次行为都是某个方面兴趣的一种反应。比如我喜欢各种口红产品、喜欢洗面奶、但是又对某个牌子不是特别感兴趣，基于这些兴趣的驱动，我可能浏览、点击过很多相关领域的内容或商品，那这些历史行为是否对我未来行为的预测有帮助呢，答案是肯定的。正是基于上述这种主观的行为模式，我们才需要对用户的历史行为进行建模，用户行为队列越长，包含的用户兴趣也就越丰富，但是同样也会带来更大的挑战，其实用户的兴趣是发散的多元的，如何从发散多元的用户兴趣中找到真正对当前任务有帮助的兴趣是十分重要的。在介绍这篇论文之前建议先去看一下阿里的另一篇论文MIMN，也是基于用户长序列进行CTR预估的论文，但是MIMN存在着几个问题，一个是因为，当用户行为序列的长度进一步增加（例如，增加10倍或比十倍更多）时，MIMN无法精确捕获给定特定候选项的用户兴趣。另一个是因为，MIMN不能很好的解决延时和存储这两个瓶颈上的棘手问题，也就是说部署到线上到时候如何才能做到延时跟其他轻量模型相近。在淘宝中，用户的浏览序列长度可能达到上千甚至上万个，怎么高效且有效的利用这种长序列信息呢？阿里妈妈提出了SIM模型来进一步从用户丰富的长期历史行为队列中挖掘用户有价值的兴趣点，并且提供一种长行为序列线上服务化的可行性方案，接下来就来看看这篇论文吧。模型总览： SIM分为两个阶段，这两个阶段都有自己的核心部分，文章中将长序列用户行为特征的建模分为了两个模块，即Genral Search Unit（GSU）和Exact Search Unit（ESU），这两部分就是两个阶段的核心模块了。先简单的介绍下这两个模块的作用吧。GSU如图所示，简单理解就是从几百上千的用户长序列中挑选出TopK个跟候选Item最相似的K个Item，类比与推荐系统中的召回模块，先降低长序列物品的长度，在进行后续任务。另一个是ESU，这个模块的作用是对刚刚GSU抽取出来对K个物品进行序列建模，得到一个能代表用户长序列兴趣对向量，并利用这个向量进行后面对排序。 GSU的主要任务是从长度为T的序列中抽取出K个跟候选item相似的item，GSU有两种方式来选取TopK个物品，分别是hard-search 和soft-search。前面也提到了GSU类比于推荐系统中的召回阶段，而在多路召回中，一般也有基于Embedding的召回和基于策略规则的召回，其中hard-search就是基于规则的召回，soft-search就是基于Embedding的召回，下面来详细讲一下这两种方法。这种方法比较直观而且实施起来比较简单，就是我们从候选行为序列中按照给定规则筛选出与当前目标任务相关的候选集，举个例子，我在淘宝上历史浏览过很不同种类的商品（比如电子产品、口红、男鞋等等），当候选广告是iphone12时，hard-search方法会从我历史行为队列中筛选出电子产品相关的行为进行建模，用于PCTR预估，而口红、男鞋大概率就不会对这次预估产生影响，通过上面这个例子大家应该能明白这种基于规则和策略的思路。论文中指出hard-search方法使用的是商品类别作为筛选的标准。这种方法是基于Embedding的抽取方式，从上面的模型图的左侧可以看到整个soft-search的结构。这个部分也是一个子模型，模型的输入是候选Item和长序列，目标是CTR预估，用这种方式来学习候选Item和长序列Item的embedding信息。有了Embedding后，就可以将候选广告embedding和历史行为中的embedding算一个内积相似度，利用近似最近邻检索方法（论文中用的是ALSH）来得到topK相关的候选行为序列。在这个子model中，DNN的输入是候选item 和Ur的concat，其中Ur：注意，如果用户行为增长到一定程度，则不可能将整个用户行为直接输入模型。在这种情况下，可以从长序列用户行为中随机采样子序列集，这些行为仍需遵循原始序列的相同分布。这种方法的缺点就是计算开销比较大，不如基于规则的hard-search方便，优点就是效果应该会更好一些。但是论文中也提到了两种方法在效果上的差异不是特别的大，所以最后基于性能和效果的折中，采用了hard-search这种比较简单的方式。从模型整体上来看，这部分主要是利用从GSU抽取出来的K个Item得到一个能代表用户长期兴趣的向量，并配合其他特征送的DNN里面做整体的CTR预估任务。论文中对这K个来自GSU对item是用self-attention进行序列建模的：其中为： concat中第一个是原始的embedding，第二个是关于时间的embedding。根据self-attention的方式，我们又得到了一个向量h(K)。这里，第二个子model也进行了ctr预估，特征是模型图上面画出来 input，还有个dien，dien前面的文章以及介绍过了，就不再赘述。最后的loss是：其中α和β是控制损耗权重的超参数。在我们的实验中，如果GSU使用软搜索模型，则将α和β都设置为1。具有硬搜索模型的GSU是非参数的，并且α设置为0。广告推荐系统对线上的计算耗时要求还是比较严格的，因为要保证用户最基本的用户体验。随着用户行为序列的进一步增长，采用传统的方式直接对长序列用户行为进行计算耗时和内存占用会增长的特别快，所以需要有针对性的对线上系统进行一定的升级和改造。文章提到在hard-search和soft-search的选择中，是基于大量的离线实验结果最终决定采用hard-search这种方便快捷有效的方式，同时信息损失也在可以接受的范围内。一般的线上部署的系统架构图是这样：为了让SIM能更好的给用户带来低延时的体验，阿里构建了SIM的Online Seving结构：可以看到对于用户的行为序列，论文采用的是对每个用户采用的是两层索引的结构：key-key-value，第一个key是user_id，第二个key是category ids，value是用户行为序列中属于对应类别的item。用这种方式可以很快的通过这个索引树找到属于统一category的物品。线上A/B Test实验效果：用户的历史行为对于整个CTR/CVR预估任务越来越重要了，如果不考虑时间和存储，那么把所有的序列输入到模型中作为长期兴趣关键点是可以精确的定位出用户的长期兴趣的，但是由于性能的原因就不得不考虑用特殊的方法对这个长序列进行一次筛选，筛选的K个物品都是跟候选Item相似的物品，能做到裁剪的效果还不会带来CTR预估的损失。在进行筛选过程中还分为了两种方法，但是为了部署到线上，就要考虑性能最好的hard-search方式进行TopK筛选任务，这种方式跟Embedding筛选的效果是差不多的，但是速度比Embedding快，所以采用这种方式。未来应该还会有更多针对序列推荐的论文，单纯的对长序列阶段还带来一定的兴趣偏差，所以如何有效挖掘用户更丰富行为特征背后的商业价值是需要好好思考的。

阿里发论文

本篇文章介绍了阿里妈妈定向广告团队的最新作品：Co-Action Net(以下简称CAN)。CAN提出了一种全新的特征交互思路，将待交互的特征（用户侧和商品侧特征）分别作为DNN的输入和权重，用DNN的输出作为特征交互的结果。CAN在提升了特征交互的表达能力同时，降低了传统的笛卡尔积交叉所需要的计算复杂度。论文地址： . 作者的知乎专栏：

在CTR预估任务中，特征间的交互一直是业界研究的热点。由于DNN以一个隐式的方式来学习输入特征，很难单纯依靠DNN来从庞大的稀疏特征集中学习到有效的特征交互，因此许多工作都在特征工程中采用了了手动特征交互，FM, FNN, PNN, DCN和DeepFM等都从不同的方面阐述了这一点，感兴趣的同学可以参考笔者之前的文章: 《从FM到DeepFM：浅谈推荐系统中的模型演化》。

在推荐系统模型的构建中，特征工程占有十分重要的地位。在海量的输入特征中，用户行为(user behaviors)和推荐商品(recommended item)两者的交互可以准确地建模用户兴趣，论文作者将这种交互特征统一命名为co-action. 如图1所示：A和B代表模型的输入，Target可以为ctr的预估值。一般来说，可以由DNN来学习A和B之间的关系。但如果我们在输入端就手动将A、B进行交互，学习的难度会大大降低。

对于特征交互，最基本的方式就是做笛卡尔积(Cartesian Product) 。在tensorflow中，这个操作就是cross column[1]. 对于特征A和B，笛卡尔积将两者组合成一个新特征(A, B)；改变A或B的值，就会得到一个全新的特征。这种方式可以刻画出A、B间的所有组合。在训练样本充足，不考虑性能的情况下，笛卡尔积是最好的特征交互方式。但笛卡尔积有两个缺点：

顾名思义，CAN的目的在于建模不同特征之间的Co-Action，可以理解为一种新的特征交互方式。简单来说，该论文实现了一个pluggable的CAN网络单元，将待交互的两类特征分别作为CAN网络的输入和权重，网络的输出作为特征交互的结果。

图2展示了CAN的基本结构。输入特征可以分为用户行为序列(user behavior sequence)，候选商品(target item)，用户画像特征(user age 等)和其他特征。其中user sequence、target item和other feature通过embedding层后输入到DIEN网络结构。对于CAN部分，user sequence和target item的embedding被用作CAN的输入和权重参数，最后输出的结果sum pooling起来，与DIEN的输出concat在一起过后面的DNN部分。下面重点介绍一下整个网络结构中的关键：Co-Action Unit.

CAN的整体实现逻辑还是比较简单的。将CAN中的全连接网络记为，候选商品特征作为网络的weight和bias，而用户行为序列特征则是网络的输入。这里是所有unique ID的个数，即item ID的参数空间；和是embedding size，且 < . 在广告系统中，与用户点击过的商品相比，target item的个数较少，因此用来作为的参数。由于包含了多层的参数，因此其维度需要大于，即 < . 通过split和reshape操作转化为weight和bias参数，这一过程可以表述如下：

与其他特征交互方式相比，CAN有以下几个优点：

前述的CAN结构只能显示地建模一阶特征交互。对于更高阶的情况，可以通过高阶输入来实现，即

其中c是特征交互的阶数。

论文中引入了3种做法来保证CAN学习的独立性。

由Table 2可以看出，CAN在两个实验数据集上的AUC指标均优于PNN，NCF[2]，DeepFM；除此之外，笛卡尔积(Cartesian)作为最基础的特征交互手段，其结果是优于PNN，NCF和DeepFM的。但CAN的实验结果甚至比笛卡尔积还要好，这里的原因我想有两点：

为了验证CAN的泛化性，作者将test数据集中的那些在训练集中出现过的特征组合都删除，构造了一个冷数据测试集，该测试集中所有的特征组合都是模型之前没有见过的。实验结果如Table 5 所示：

可以看出，NCF和DeepFM的结果要优于笛卡尔积。与Table 2中的结论相比，证明笛卡尔积的泛化性确实存在问题；同时，CAN的AUC最高，也证明了CAN结构的泛化性明显强于笛卡尔积以及其他的特征交互方式。

笔者认为这是本论文最精华的部分之一。作者在本节中详细论述了CAN模型在部署到阿里巴巴展示广告系统时遇到的一些困难和解决方案，对复杂ctr预估模型的落地有很大的指导意义。

特征交互，是在原始特征的基础上对特征对(feature pair)进行额外的组合，势必会引入额外的存储和计算开销。我们知道，CTR模型的大部分参数都集中在embedding部分，而笛卡尔积会让embedding大小线性增加。对于两个维度（此处维度指unique IDs的数目）为M和N的特征，笛卡尔积需要引入一个(M x N, embedding_size)大小的embedding矩阵；除此之外，新增的embedding也会引入更多的lookup操作，严重影响模型的响应时间，latency增大。作者提到即使采用了IDs frequency filtering（个人理解是根据ID出现的频率，过滤掉一部分低频ID来减小参数量，即低频过滤）也无法缓解。

对于CAN模型，虽然参数大大减小，但以上问题还是会影响到模型的部署。论文中使用了6个ad侧特征和15个用户侧特征进行交互，理论上这样会引入15 x 6 = 90个特征组合。而用户侧特征多为用户的行为序列，普遍长度都超过100，会带来更大的负担。

为了解决以上问题，论文中采用了以下方案：

特征间的交互对ctr预估模型具有重要的意义。本论文阐述了笛卡尔积和一些常用模型结构（FM，PNN，DeepFM等）的不足，提出了一种新型网络CAN来建模Feature Co-Action。CAN用DNN的输入和权重来建模特征交互，既解决了笛卡尔积的空间复杂度和泛化性问题，又能够获得较好的特征交互效果（体现在模型auc的指标上）。同时，引入了多阶输入(multiorder enhancement )和模块间的独立性(multi-level independence)使CAN的功能更加完备。最后介绍了模型上线遇到的困难和解决方案，对大型ctr预估模型的部署有很大的借鉴意义。

阿里巴巴是目前全球最大的商务交流社群和网上交易市场。下面是我整理了，有兴趣的亲可以来阅读一下!

阿里巴巴集团发展战略研究

【摘要】本文通过对阿里巴巴集团进行SWOT分析的基础上制定了适合阿里巴巴集团的发展战略：阿里巴巴集团应该将“商通天下”确定为战略目标，以第三方电子商务平台为核心业务，整合资讯、支付、物流等多种支撑服务。

【关键词】SWOT;阿里巴巴集团;发展战略0.前言

阿里巴巴集团作为国内最大、全球领先的电子商务服务企业。从1999年创立至今短短十余年时间就形成现有规模，各项业务均排名行业第一，这些业绩的取得都源于阿里巴巴集团对发展战略的高度重视。但市场和环境是在不断变化的，“逆水行舟，不进则退”，阿里巴巴集团要想维护优势地位并实现长远发展，必须完善发展战略，实现战略升级。

1.阿里巴巴集团SWOT分析

1.1优势

1.1.1庞大的客户群

阿里巴巴集团经过多年经营，在国内外建立起竞争者无法比拟的庞大客户资源。客户型别以中小企业、网路消费者为主。2011年，阿里巴巴 B2B 平台会员数超过7500万，网上商铺数量超过1000万，付费会员数量超过100万;天猫已拥有4亿多买家，40000多家商户，70000多个品牌。

1.1.2完善的服务平台

阿里巴巴集团所拥有的电子商务服务能力国内最强、国际领先，形成对海量中小企业和网路消费者的强大吸引力。阿里巴巴集团到目前为止已经形成的整体平台架构包括网上企业交易平台***阿里巴巴网路有限公司***、网上零售平台***淘宝网和天猫***、支付平台***支付宝***、电子商务云端计算服务平台***阿里云端计算***等七部分。

1.1.3绝对的市场份额

2011年二季度，阿里巴巴 B2B 市场份额虽同比有所下降，但仍占61%;环球资源网则以4%的市场份额位列第二。2011年淘宝网几乎垄断了国内C2C电子商务交易市场的全部，达到九成的占有率;排名第二的是拍拍网。2011年一季度的国内B2C市场，天猫继续保持30%以上的市场占有率，其后为京东、卓越等B2C商家。

1.1.4综合性的服务

阿里巴巴通过整合资讯、支付、物流等多种服务，提供完整的电子商务服务。阿里巴巴还通过汇聚丰富的市场资讯，提供动态的资源优化配置服务，使中小企业能及时准确的了解市场变化，做出科学决策。

1.2劣势

1.2.1机构官僚化严重

伴随着阿里巴巴集团的规模扩张，机构逐渐膨胀，并直接导致内部官僚化，决策反应速度因此变慢。反应速度变慢、决策机制官僚化、创新机制不到位都深刻影响集团的良好发展。

1.2.2信用体系不健全

阿里巴巴B2B的欺诈事件暴露出阿里巴巴内部监管出现漏洞、内部协同机制不到位等深层次问题。另外，一些网上店家利用信用评价制度漏洞通过非正常手段提高信用评价的现象仍然大量存在。

1.2.3发展速度和质量失衡

阿里巴巴集团一直处于高速发展阶段，而一些长期潜藏的深层次问题却在近期不断爆发。阿里巴巴B2B的“欺诈门”事件和淘宝网的“淘宝围攻”事件的发生暴露出阿里巴巴集团对发展过程中质量建设的指导与规范仍不够完善。

1.2.4低门槛准入制的困扰

阿里巴巴近期的一系列丑闻表明，虽然低门槛准入制可以在很短的时间内积累庞大的人气和市场，但从长远看低门槛准入制带来的监管困难是巨大的，低门槛准入制对企业的成长并非都是健康的，产生的深远负面影响是在短期内容易被忽视的。

1.3机遇

1.3.1世界经济的复苏

世界经济形势的复苏特别是主要发达国家经济走出危机阴影，为阿里巴巴集团的发展创造了契机。全球经济形势虽然还存在较大的不确定性，但整体向好的势头开始出现，国际外部需求开始回升，中小企业外贸出口订单增加，对外贸易机会增多。

1.3.2国内产业结构的调整

我国“十二五”规划中明确提出，“积极发展电子商务，完善面向中小企业的电子商务服务，推动面向全社会的信用服务、网上支付、物流配送等支撑体系建设”，对阿里巴巴集团来说，可以凭借优越的政策环境，实现战略转型，实现更大发展。

1.3.3居民消费能力上升

我国居民消费热情高涨，日渐理性和成熟，自主辨别能力也越来越强。随着网际网路的不断普及，城乡居民消费能力不断提升，电子商务和网路购物即将进入高速发展周期，这给阿里巴巴集团的发展带来巨大市场和使用者资源。

1.3.4农村电子商务的发展

农村电子商务发展成为新的亮点，发展迅猛。农民网商通过网路销售农村土特山产品和深加工产品，实现了发家致富。农村创业的氛围更加浓郁，已经逐步形成自成一格的农村电子商务产业丛集。

1.4威胁

1.4.1行业规范的缺失

我国的电子商务服务行业还处在成长发展时期，虽然整体上规模不断扩大，结构不断完善，但相应的网上支付、交易规范等方面在国家法律和行业规范上依然存在真空。

1.4.2市场竞争的压力

我国电子商务市场前景十分广阔，越来越多的企业跃跃欲试，想要进入到这个市场，无论是选择开展直接电子商务业务、间接电子商务业务还是选择第三方电子商务服务业务，都在不断加剧市场竞争的激烈程度。

1.4.3物流配送的制约

物流是使电子商务活动得以完整实现的关键必要环节。虽然经过多年的发展，物流行业已经有了一定基础，但在物流配送速度和服务质量方面、物流企业的资讯化水平和管理能力方面仍有待提升。

1.4.4服务能力的限制

依托电子商务平台成长起来的电子商务企业，面对消费者对产品、服务越来越高的要求，同质化竞争越来越激烈;同时，业务及企业规模增长对管理能力和水平的挑战，以及成本的提升等，都将给阿里巴巴集团的可持续发展带来挑战。

2.阿里巴巴集团发展战略

阿里巴巴集团应该将“商通天下”确定为战略目标。对于阿里巴巴集团来说，仍然要立足于以满足商务需求为目的的电子商务行业，定位于电子商务服务产业，全力打造电子商务服务产业链，以第三方电子商务平台为核心业务，整合资讯、支付、物流等多种支撑服务，全面建立起一个世界最大的电子商务生态系统。

2.1平台业务创新战略

第一，阿里巴巴B2B应加快以会员为导向的收费模式向与服务效果挂钩的收费模式转变的速度，面对的首要难题就是市场流量的变化，所以必须面向国内贸易市场的需求开拓客户群。

第二，以淘宝开放平台***简称TOP***为核心深度整合平台资源，打通B2B、B2C和C2C平台界限，形成B2B2C的全方位电子商务平台。

2.2支付业务开放战略

2011年5月央行发放首批支付牌照，部分消除了第三方支付行业发展的不确定性，但也将导致第三方支付行业面临新的格局变化。作为阿里巴巴集团电子商务平台指定第三方支付机构，支付宝应围绕更多金融领域***基金保险等***进行拓展，并在核心业务领域深耕，广大为中小企业和网路消费者乃至其他客户提供综合性的电子商务金融服务。

2.3物流业务联盟战略

阿里巴巴集团可以将物流业务应定位为开放的社会化物流服务平台战略即“第四方物流平台”战略，所有电子商务参与主体***物流企业、中小企业、网路消费者、电子商务平台等***都***或免费使用阿里巴巴提供的公共物流服务，从而形成强大的物流联盟。阿里巴巴物流平台是整合第三方物流资源的“第四方物流平台”，供应链解决方案是其主要服务产品。

2.4云端计算业务领先战略

阿里云端计算要以“建设以资料为中心的国内领先的电子商务云端计算服务平台”为目标。阿里云端计算要能够提供完整的电子商务云端计算服务，进一步深化电子商务资料采集、处理和应用，为电子商务生态系统配备强有力的技术基础。为此，阿里巴巴集团需要做好“云”与“端”的布局，提高阿里云的商业价值，创新阿里云的发展模式，明确自身定位和聚焦业务。

【参考文献】

[1]IDC，阿里巴巴集团研究中心.加速资讯化程序—电子商务和阿里巴巴商业生态的社会影响[R],2012.

[2]余雨航，唐峰.阿里巴巴成功因素分析[J].中国科技纵横,2010,***22***.

点选下页还有更多>>>

发表论文阿里云

假网站，无备案信息，一般国内没有备案都是打不开的，但是他是买的香港阿里云centos系统，安装的宝塔，随便私人搭建的一个假网站，已经举报了，希望大家不要上当受。

能。人类文化离不开一定的自然地理环境，人类赖以生活的地理位置影响、制约着人类文明以及文化的形成。写进论文里很不错。所以阿里云地图能写进毕业论文。

靠谱的论文查重网站：

一、中国知网

由清华大学和清华同方发起，在党和国家领导以及教育部、中宣部、科技部、新闻出版总署、国家版权局和国家发改委的大力支持下，在全国学术界、教育界、出版界和图书情报界等社会各界的密切配合和清华大学的直接领导下，CNKI工程集团经过多年努力。

采用自主开发并具有国际领先水平的数字图书馆技术，建成了世界上全文信息量规模最大的”CNKI数字图书馆”，并正式启动建设《中国知识资源总库》及CNKI网格资源共享平台，通过产业化运作，为全社会知识资源高效共享提供最丰富的知识信息资源和最有效的知识传播与数字化学习平台。

是目前最安全、最快捷、最权威的论文检测软件，全面覆盖研究生毕业论文查重、大学生抄袭检测、职称评审及相关学术成果，大部分单位机构都是与知网进行合作。除了收费昂贵之外，几乎没有任何缺点。

二、维普

是国内领先的论文查重软件，可以快速准确地检测出毕业论文、博士、硕士论文、期刊论文中的不当引用、过度引用、论文抄袭、伪造、篡改等学术不端行为，自动生成检测报告，并支持PDF、网页等浏览格式，最大特点就是快!

三、万方

采用科学先进的检测技术，实现海量学术文献数据全文比对，秉持客观、公正、精准、全面的服务原则，为用户提供精准详实多维度的查重检测报告。提供包括万方通用版、硕博论文版、大学生论文版、职称论文版等，查重检测结果客观、准确、详实!

四、蝌蚪论文查重

蝌蚪论文查重系统扫码直接登录就可以享受每天免费查重服务，不需要做任何任务，不受字数限制（10万字内），同时提供在线智能降重、人工降重等服务。

采用阿里云认证的高防服务器，检测系统全程自动论文检测，无任何人工参与，系统不保存用户源文件，解除用户论文泄露之忧。

系统数据库覆盖9000万的学术期刊和学位论文，10亿数量的互联网数据源，有效确保精准论文查重！采用强大的智能语义识别技术，能够快速命中并识别出相似内容。并进行周期性算法升级，实现智能算法预处理学科分类，准确度高出行业70%。

完毕！

全国基础教育科研信息网是备案的吗？不知道你说的网站名称是否准确，是这个网址吗，如果准确那在网上是查不到他的备案信息的，显示是2019年8月份才创建，也可能是在进行中吧，建议等候，过段时间确定其备案后再发表文章。网站备案的目的就是为了防止在网上从事非法的网站经营活动，打击不良互联网信息的传播，如果网站不备案的话，很有可能被查处以后关停。

阿里公司发表论文

达摩院作为阿里的科研结构，似乎它没怎么出来“说话”，因为它一直在低调地做自己的事情。

我们先来看一下达摩院具体是什么。

在2017年的时候，马云说要搞一个达摩院，用了3年的时间就放了1000亿元进去，说是为了探索科技的开销，然后很多搞科技的人才都被马云请了过来这里了，进行技术研发，刚开始的时候马云从全球请了十名不同领域的科学家加入到这里，后来又加入了很多人才，目前科学家的人数大约在七十位左右。达摩院研究的东西都是和科技有关，比如现在很火的网络安全、基础算法等，还有美国一直都在重视的量子计算，除此之外还有下一代人机交互、视觉计算等。

其实要说达摩院到底都取得哪些成就，我觉得达摩院的成就之一就是吸引了人才，可以说这里是一个科技人才聚集地，也是科技人才挑战基地，在这里，这些人才并不是单纯地做科技，而是和商业紧密地联系起来。就比如说现在AI吧，已经被应用到了工业生产中了，也给很多企业创造了很高的利润。

而在2019年4月份的时候，达摩院也宣布了已经研发出了Ali-NPU，这是一款神经网络芯片，是中国自己创新和努力得到的结果，这个Ali-NPU会被运用在图像视频分析、机器学习等相关的AI领域。而且随后，达摩院也宣布了他们已经研制出了现在世界上最强的量子电路模拟器“太章”，而在这之前，美国的谷歌在这一方面可是“老大”，现在我们中国也有了这个东西后难免会让他们觉得面临新挑战。

除此之外，达摩院的影响不仅仅只是中国或者欧洲，达摩院现在已经和很多所世界级的高校建立了合作，在2018年11月的时候达摩院卫星遥感影像AI分析系统也再一次获得了冠军。

阿里作为我们互联网上的领军人物，他的科研员，可以想象得到能够有多么大的高科技在里面，可以说是互联网当中的领军人物，也会为我们推出很多的新品种。也是一个研究的机构。

2017年 10 月 11 日，阿里巴巴达摩院正式成立，马云的一句 “ 活得要比阿里巴巴长”，让外界对它的未来发展，有了更 “意味深长” 的期待。

在近三年多的时间里，达摩院在人工智能学术科研与应用上齐头并进，无论在国际学术顶会以及各类竞赛上，还是在推动学术成果的商业化落地上，都交出了亮眼的成绩单，这也反过来吸引着人工智能领域的顶尖研究者们都汇聚于此。

对于这些顶尖研究者们目前正在开展的研究工作，想必大家都充满了探知欲！

7月9日（晚）19:30-21:00 ，AI科技评论就将联合阿里达摩院，外加阿里集团在学术科研上同样“坚挺”的存在——阿里安全，给大家呈上一场 “ACL 2020 系列论文解读·阿里巴巴专场” 直播！

届时，来自阿里达摩院机器智能技术团队和阿里安全安全智能团队的 6 位高级算法专家、算法工程师以及研究型实习生们，将分别聚焦于多任务学习、少样本文本分类、任务型对话、神经机器翻译、知识蒸馏、跨域分词标注等NLP 细分领域，为大家带来一场论文解读盛宴！

本次分享的嘉宾具体都有谁呢？下面一一揭晓：****分享主题： SpanMlt：一种基于跨度的用于属性词和观点词配对抽取的多任务学习框架 ****分享嘉宾：黄龙涛

分享内容：

属性词和观点词抽取，是细粒度的基于属性的情感分析（ABSA）的两个关键问题。属性－观点词对（ aspect-opinion pairs）可以为消费者和观点挖掘系统提供相关产品或服务的全局配置文件。但是，传统方法无法在没有给定属性词和观点词的情况下，直接输出属性－观点词对。尽管研究者最近提出了一些共提取方法来联合提取属性词和观点词，但是并不能配对抽取两者。为此，本文提出了一种端到端方法来解决属性词和观点词的配对抽取（PAOTE）任务。此外，本文从联合词和关系抽取的角度而非此前大多数工作中执行的序列标注方法的角度，来处理该问题。我们提出了一个基于共享跨度的多任务学习框架，其中在跨度边界的监督下提取词。同时，使用跨度表示法来联合识别配对关系。大量实验表明，我们的模型始终优于 SOTA 方法。

分享内容：

现有的工作往往使用元学习（meta learning）的方法，通过在一系列meta-task中切换来获得少样本学习的能力，但是在task间的切换会带来遗忘的问题，因此考虑使用记忆机制来辅助meta learning的训练。在本工作中，我们将监督学习得到的分类参数作为meta learning的全局记忆，并提出了动态记忆路由算法，基于dynamic routing的方式将全局记忆信息融入到meta task的训练和预测阶段。此外，动态记忆路由算法还可以使用query信息来增强归纳类别表示的能力，对口语场景下的语言多样性表达有更好的泛化性能。在中英文场景少样本分类任务数据集上，均取得了STOA的结果。

分享主题：多领域对话动作和回复联合生成****分享嘉宾：田俊峰

分享内容：在任务型对话中，产生流畅且信息丰富的回复至关重要。现有pipeline方法通常先预测多个对话动作，然后使用它们的全局表示来辅助回复生成。这种方法有两个缺陷：第一，在预测对话动作时，多领域的固有结构被忽略了；其次，在生成回复时没有考虑到对话动作和回复之间的语义联系。为了解决这些问题，我们提出了一种同时生成对话动作和回复的神经联合生成模型。与以往的方法不同，我们的对话动作生成模块可以保留多领域对话动作的层次结构，同时我们的回复生成模块可以动态地关注到相关的对话动作。在训练时，我们采用不确定性损失函数来自适应地调整两个任务的权重。在大规模MultiWOZ数据集上进行了评估，实验结果表明，我们的模型在自动评估和人工评估上都比SOTA模型有很好的提升。****分享主题：神经机器翻译的多尺度协同深度模型******分享嘉宾：魏相鹏**

近年来，神经机器翻译(NMT)方法凭借其出色的翻译性能在大量应用场景中取代了基于统计的机器翻译方法。目前，制约NMT模型性能的因素主要包括模型的特征表达能力和数据规模。因此，我们提出一种基于多尺度协作(MSC)机制的深度神经机器翻译模型，以提高模型对底层（具象化）和高层（抽象化）特征的建模能力。

实验证明，(1) 多尺度协作机制有助于构建极深的NMT模型的同时带来性能上的提升，(2) 基于MSC机制的深度NMT模型能够更好地翻译语义结构复杂的自然语言句子。

****分享主题：多语种序列标注的结构级知识蒸馏******分享嘉宾：王新宇**

多语言序列标注是一项使用单一统一模型预测多语言标签序列的任务。与依赖于多个单语模型相比，使用多语言模型具有模型规模小、在线服务容易和对低资源语言通用的优点。然而，由于模型容量的限制，目前的多语种模型仍然远远低于单独的单语模型。本文提出将多个单语言模型（teachers）的结构知识提取到统一的多语言模型（student）中，以缩小单语言模型与统一的多语言模型之间的差距。我们提出了两种基于结构层次信息的知识挖掘方法：

****分享主题：跨域中文分词的远程标注与对抗耦合训练******分享嘉宾：丁宁**

完全监督神经方法在中文分词（CWS）的任务上取得了重大进展。但是，如果由于域间的分布差异和集外词（OOV）问题导致域迁移，则监督模型的性能始终一直大幅下降。为了实时缓解此问题，本文将跨域中文分词的远程标注和对抗性训练直观地结合在一起。

7月9日，6位来自阿里的分享嘉宾，与大家不见不散！

ACL 2020原定于2020年7月5日至10日在美国华盛顿西雅图举行，因新冠肺炎疫情改为线上会议。为促进学术交流，方便国内师生提早了解自然语言处理（NLP）前沿研究，AI 科技评论将推出「ACL 实验室系列论文解读」内容，同时欢迎更多实验室参与分享，敬请期待！

阿里巴巴发表论文

她不喜欢开会、经常远程为数据中心当医生、获得过CTO的推荐信、每年为全球超过百万块硬盘测算寿命、每天大部分时间都在研究数据等，而她为女性科技工作者的杰出代表。

近日，有媒体报道了一位女博士在实习期间通过了自己的努力，发表了三篇顶级期刊的核心论文的故事，这个消息被报道之后，引起了广大网友们的热烈讨论，大家纷纷表示为什么别人总是这么优秀，而自己这么多年仍然还是一个混吃混喝的小废物罢了，虽然这些都是网友们调侃的看法，但是也从另一个方面表现出了对于这位女博士的敬佩之情。故事的主人公韩淑捷是香港中文大学的博士生，并且她在上学期间的学习成就一直是非常优秀的，是一个德智体美全面发展的人。

韩淑捷在博士就读期间实习的地方是阿里巴巴集团，在那段实习的日子里，韩淑捷努力充实自己，并且由于自己就读的是计算机相关专业，所以作为其中为数不多的女生，韩淑捷却超越了大部分的同期实习生，并取得了很多人的赞赏，最终凭借着自己扎实过硬的专业能力以及科研成果，韩淑捷被评为了当年的优秀实习生。我们从她的身上能够学习到的是坚韧不拔的品格以及专注的信仰，韩淑捷说既然选择了自己现在所学的这个专业，就不要找理由懈怠，而是利用每一个碎片时间来充实自己，学到自己脑子里的才是真正属于自己的。

很多人都想要咨询韩淑捷到底是怎样才能够发表那么多的核心论文的，仿佛发表论文对于她来说是非常简单的意见事情。但是在韩淑捷的回答中我们玩可以看出，原来天才也会有遇到瓶颈的时候，只是他们能够及时的调整自己，让自己尽快的找回状态，韩淑捷建议我们：当遇到瓶颈的时候，可以适当的放松一下，一味地追求速度反而会不太美好，毕竟欲速则不达，也许换一种心情，会有更好的结果呢。

也希望我们每个人都能够像韩淑捷这样，做一个热爱自己、热热爱生活的人，也许并不是每个人都这么优秀，只要过好自己的日子，也是一件非常美好的事情。