2016年，机器学习和人工智能领域有什么重大进展？（附重要论文下载链接）

正文

请到「今天看啥」查看全文

，一个伟大的视频识别的应用，在不久的将来可能是非常有用的（也许是可怕的）。 我还应该提到谷歌在 机器翻译 方面取得的令人印象深刻的进步。看到这一领域在一年内有这么大进步真是令人惊讶。

事实上，机器翻译并不是我们在过去一年中在机器学习在自然语言技术领域看到的唯一有价值的进步。 通过结合深度序列神经网络以及语言相关的一些信息，我们可以生成一些更为丰富的语言模型。 例如在“ A Neural Knowledge Language Model ”这篇论文中，Bengio的团队将知识图谱与RNN相结合，而在“ Contextual LSTM models for Large scale NLP Tasks ”的论文中，Deepmind团队将文章的主题提取同时纳入到LSTM模型。 此外，我们还看到了许多在建模语言模型的attention和memory(这两个词在学术方面有专门的含义，解释成注意力和记忆也没错，但是总觉得有点不太对)方面的有趣工作。 作为一个例子，我推荐在今年的ICML(国际机器学习大会)中发表的论文“ Ask Me Anything: Dynamic Memory Networks for NLP ”。

此外，我还想要提及一些发表于2016年在巴塞罗那举行的NIPS上的工作。遗憾的是，我错过了这次在我的家乡举行的会议。从我了解的内容来看，两个最热门的话题可能是 生成式对抗网络 （包括Ian Goodfellow的非常受欢迎的教程）和 结合概率模型的深度学习相关的课题 。

另外我也想谈一下机器学习在我的主要专业领域，推荐系统方面的一些进步。 毫无疑问，深度学习也深刻影响了这一领域。 虽然我个人仍然不建议将DL作为推荐系统的默认方法，但看它如何在实际工作中大规模的使用是很有趣的，例如通过像 Youtube 这样的产品我们可以看到DL对比传统的方法上还是取得了一定进展(这里有一篇Google的paper https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf)。 也就是说，在该领域还是有一些有趣的研究与深度学习无关。 例如今年ACM Recsys的最佳论文奖颁给了“

请到「今天看啥」查看全文