图灵汇官网

机器之心系列活动第一期

主题：自然语言处理中的认知计算

演讲者：俞凯

俞凯，思必驰联合创始人兼首席科学家，上海交通大学教授。他在机器之心和Comet Labs联合举办的“智能机器系列活动”上发表了题为《自然语言处理中的认知计算》的演讲。

演讲中，俞凯教授深入探讨了自然语言处理与对话系统的基本概念，强调了交互的重要性。他还详细解析了人工智能与认知计算的关系，介绍了如何通过交互架构的重新设计解决交互层面的认知问题。

俞凯教授还讲解了自然语言处理中的认知计算进展，包括如何通过传统方法和深度学习解决特征表达问题，并着重介绍了RNN和LSTM技术在解决记忆遗忘问题上的应用。此外，他还介绍了在聊天、问答和任务型对话方面所使用的认知计算技术。

最后，俞凯教授展望了自然语言认知交互的未来发展，他表示思必驰将在今年年底提出一种全新的理论研究框架。

自然语言处理与对话系统

自然语言处理是一个历史悠久的学科，早期研究主要集中在语言学领域。近年来，随着应用需求的增加，自然语言处理逐渐融入了机器学习技术。然而，传统自然语言处理方法难以应对多轮对话中的复杂交互问题。

俞凯教授指出，语音识别加上传统的自然语言处理并不等同于真正的语音交互，因为后者需要解决认知计算问题。对话系统分为问答、聊天和任务型对话三大类，每种类型都有其独特性，需要采用不同的技术和方法。

人工智能与认知计算

人工智能涵盖了逻辑智能、感知智能、认知智能等多个方面。俞凯教授详细阐述了这些智能之间的关系，并指出在多轮对话中，不确定性是关键问题之一。他展示了如何通过改进的交互架构和认知计算技术来提高对话系统的性能。

自然语言处理相关的认知计算进展

俞凯教授探讨了大数据和深度学习技术在解决对话类自然语言处理问题中的作用。他特别提到了深度神经网络、卷积神经网络和循环神经网络在语言处理中的应用。他还详细讲解了如何通过分布式表达解决特征表达问题，以及长短时记忆模型（LSTM）在解决记忆遗忘问题上的优势。

对话技术中的认知计算

俞凯教授介绍了如何利用认知计算技术处理聊天、问答和任务型对话。在聊天方面，他提到了基于序列的统计学习方法和注意力模型的应用。在问答方面，他介绍了深度语义相关度量（DSSM）和卷积神经网络（CNN）在处理问答任务中的作用。在任务型对话方面，他介绍了部分可观测的马尔可夫决策过程（POMDP）框架及其在对话状态跟踪和决策中的应用。

自然语言认知交互的未来

俞凯教授对未来自然语言认知交互的发展前景充满信心，并展示了苹果公司在1987年对未来交互的预测。他认为，未来的自然语言交互系统将集成更多的认知计算技术，从而更好地理解和响应用户需求。他还表示，思必驰将在今年年底提出一种新的理论框架，推动自然语言交互技术的进步。

以上是经过改写的版本，内容保持了原文的核心信息，同时进行了适当的精简和结构调整，确保了文章的可读性和准确性。