数据库与信息系统研究室

近日，国际人工智能顶级会议AAAI 2021公布论文录取结果。数据库与信息系统研究室2篇论文被录用。

AAAI(Association for the Advance of Artificial Intelligence)是美国人工智能协会主办的年会，是人工智能领域中历史最悠久、涵盖内容最广泛的国际顶级学术会议之一。在中国计算机学会的国际学术会议排名中，AAAI被列为人工智能领域的A类顶级会议。

以下为论文介绍：

1.论文题目：MTAAL: Multi-Task Adversarial Active Learning for Medical Named Entity Recognition and Normalization

作者：周宝航，蔡祥睿，张莹，郭文雅，袁晓洁

通讯作者：张莹

录用会议/期刊：AAAI 2021

论文概述：医学命名实体的自动识别和规范化是构建知识图谱和问答系统的基础。当涉及到医学文本时，标注样本需要专业知识的基础。现有的方法利用主动学习来降低语料库标注的成本，以及利用多任务学习来建模不同任务之间的相关性。但是，现有的模型没有考虑到不同任务的任务特定特征和查询样本的多样性。针对这些局限性，本文提出了一种基于多任务对抗主动学习的医学命名实体识别和规范化模型。在我们的模型中，对抗学习保持了多任务学习模块和主动学习模块的有效性。任务判别器消除了不规则的特定任务的特征的影响。多样性判别器利用样本间的异质性来满足多样性约束。在两个医学基准数据集上的结果证明了我们的模型相对于现有方法的有效性。

2.论文题目：KAN: Knowledge-aware Attention Network for Fake News Detection

作者：顿雅倩, 图克非, 陈晨，Chunyan Hou,袁晓洁

通讯作者：Chen Chen

录用会议/期刊：AAAI 2021

论文概述：

社交媒体上假新闻的爆炸性增长引起了工业界和学术界的极大关注。鉴于假新闻的有害影响，对其检测的需求越来越大。一般来说，新闻内容是浓缩的，并且充满了知识实体。然而，现有的方法往往侧重于文本内容和社会语境，而忽略了新闻实体之间的知识级关系。为了解决这一局限性，本文提出了一种新的知识感知注意网络（KAN），该网络将知识图中的外部知识用于假新闻检测。首先，我们识别新闻内容中提到的实体，并将其与知识图中的实体对齐。然后，将实体及其上下文作为外部知识来提供补充信息。最后，我们设计了面向实体的新闻（N-E）注意力和面向实体和实体上下文的新闻（N-E2C）注意力，以衡量知识的重要性。因此，我们提出的模型可以结合语义级和知识级的新闻表示来检测假新闻。在三个公共数据集上的实验结果表明，我们的模型优于最先进的方法，并验证了知识注意力的有效性。