KBP2017 实体发现与链接比赛分享

• 时间：2018.05.09 10:30-12:00
• 嘉宾：张锋 - 腾讯 - AI 平台部/知识挖掘组

张锋是 Glen 总之前在腾讯的同事，从 07 年就开始共事了，就被拉过来分享了。

我学到的

• 做分享最重要的是开门见山，一开始就要抛出这次分享的核心目的，比如对于这次，就是这个比赛的评分标准，这样大家才知道接下来要听什么，不然很容易出现说了半天不知道干嘛的情况
• 做科研的过程就是 寻找想法 - 试验想法 - 分析结果 - 找到为什么不行 - 从失败中摸索出成功
• 对于数据科学来说，准备数据是要花非常多的时间，也是最重要的。对于提供给用户的服务来说，头部数据是必须要非常准确的，我们在开发和测试的过程中一定要把握好最重要的头部数据 资源永远是不足的，我们要学会想办法通过各种方式来找到我们需要的东西。
• 对于实体发现来说，如何通过正样本来“捞”负样本进而完善训练集是一个很好的思路。比如，在娱乐文本中把所有带书名号的作为实体的正例，然后去非娱乐领域里找对应的词，就基本可以认为是负例，这样就可以极大扩大训练集。
• 对于字符向量来说，想方设法利用上下文去体现这个字本身的含义，在中文自然语言处理中是很有价值的。比如，对于“中国”和“中间”这两个词，从字符的角度来分解，都有“中”这个字，但是很明显这两个“中”的含义有很大的差别，那么这个时候就可以利用上下文 Ngram 来拼接向量给原来的字符向量添加信息量，进而得到更好的效果。
• 深度学习在一个系统的工程中能够（或者说也只能）作为一个模块，主要用来处理那些不太方便做特征工程或者暗藏某种模式的部分（比如对于我们不懂的西班牙语，腾讯团队就选择了直接用 BiLSTM 来生成向量，而不是自己去做特征工程）。对于模型产生的结果，我们需要围绕其做许多其他的工作来保证效果，这个部分是逃不开传统的数据结构、算法、规则、字典等等的，很多事情都是没有办法弯道超车的，只有踏实下力气才可以。
• 学术论文有学术论文的规则，会更加在意模型的完美，很可能会去掉很多细节，我们在使用的时候需要完善；数据比赛有数据比赛的规则，会更加在意在评测集上的效果，很可能会做很多针对答案的 trick，我们在参考的时候需要了解其优势与局限性，取长补短。
• 深度学习的调参目前还处于混沌碰运气状态，我们需要在工作中逐渐形成方法论，并将其工具化，这样才能最大的提升效率。
• 处理不同的数据集（指标注方式不同）的一个方式是多任务学习。
• 对于大数据量来说搜索和排序肯定是少不了的，对于实体来说图相关算法是少不了的，或者说，基础知识是很重要的。
• IBM Watson 在工程上面有很多值得参考和学习的地方，要找时间去调研一下。

原分享另有配套 PPT；此处仅保留当时听讲记录，不包含完整演示材料。