# IRWorkshop 2021
## 杜奕瑾
- 主要講解雅婷
- 有和cdc合作
- 音樂的辨識 audio轉譜 辨識情緒等
- 假消息辨識 島民衛星是一個網站 可以用於媒體觀測 可以去了解新聞台的立場
- Twitter 的sentiment偵測 並且找出是因為什麼東西或事件(主要是針對hate speech)
- Data model會因為train的人的不同而導致有不同的bias
- 在使用資料的時候要注意到使用者隱私，資料有可能在未來都要做去中心化。
- Gpai ailab 醫學的去中心化的聯合學習

## 阮大成
- Neural structure learning
- 如何做image emb
- 如何透過kg去增強modek
- 一般的training都只有用到per sample data,也就是一次只會讀到一個sample 並沒有考慮到sample之間的關係
- structure learning主要是能透過unlabeled data能夠拿來增強。
- 目前多數都是用transformer 去做inter-sentence的relation,我們可以透過這種方式來增加kg
- data有3種inductive prior:
- manifold
- 存在一個低維的表示
- clustering
- 同一個cluster share相似的property
- continuity
- 資料特徵具備連續性(非離散)
- structural regularization主要就是在supervised上面加上neighbor loss
- $\sum_{x \in N()}w_{ij}*D(h(i),h(j))$
- 放在哪一個layer都可以
- workflow of structure learning
- 可以先assume某幾個cluster 接著再去minimize neighbor loss 有點類似knn
- packages
* graph_regularization
* pip install neursl_structured_learning
- 有時候no explicit structure data
- 可以透過text graph的方式去加入，但是largely depends on prettained emb
- image emb有個很基本的問題
- image 的semantic有高低維度的差異 但是卻都被flatten像是鋼鐵的橋和橋 就是兩種class,他們共同是橋的這個屬性被忽略了
- 有相對應的dataset可以用 有40m個class
- 透過google image search去蒐集資料
- 假設使用者搜尋某張圖片 然後點擊某一個另一個圖片的時候 我們就假設這兩張圖片somehow有一些相似度
- kg completion
- (source,relation,targer?)
- 如果given s,r能否得到t
- attending to facts related to an entity(neighbor)
- acl2019 attending to neighbors
- 在將資料轉成structure data後 是否需要考慮data balance的問題：
- 要 但是有很多graph tips可以解決
- 像是downsampling，將大cluster的node sample少一點node

## 陳縕儂
- Toward conversational AI
- NLU:
- domain identification
- intent prediction
- slot filling
- Dialogue mangpagement
- dialogue state tracking
- dialogue policy
- 去決定如何和使用者說回傳的答案
- NLG
- 產生實際的文字回答
- bert是透過text去train,所以speech 會導致training-test mismatching->error propagation
- Goal: asr-robust contextualize embedding
- 運用speech的lattice給予後面的model 予前面model的candidate(lattice)
- 直接將softmax前的那層logits vector給予後面的model去學
- 但是training要很久且lattice取得不易
- 所以他們提出一個asr robust的方法
- NLU跟NLG 可以利用dual的關係
- 但是我們需要去估計marginal probability,如果是nl是簡單的 但是semantice frame就難以估計

## 許聞廉
- 跟我所知大致一致

## 古倫維
- fake news
- echo chamber
- 很多人都活在同溫層
- backfire
- 如果使用者已經有立場 你去跟他說是假的 他反而不相信你
- imply true
- 使用者會預設你會把不實新聞標記出來，他會認為沒有被標記的對象是對的
- 且使用者其實不太理是否被你標記成是假新聞，他只會想看他自己想看的
- 想要盡量讓使用者讀到澄清新聞，但是要怎麼樣找到最適當的時機。
- 在這個系統底下，不需要對新聞做真假的標籤，這樣可以避免前面說的那兩個問題。
- 使用者還是比較喜歡看假新聞，有可能跟標題有關係。所以可能就可以從正確新聞的標題下手。
- 預防勝於治療，比起看到假新聞再給他看澄清新聞，不如一開始就預防。

## 黃瀚萱
- 單機版的音樂推薦
- next music to play
- next album to buy
- next artist to explorer
- 精確的nlp interface

- 主流的推薦系統有兩種
- collaborative filtering
- 透過其他使用者的喜好來決定推薦給你什麼
- content-based approach
- 要去分析音樂的內容
* metadata(作曲家等)
* textual information(歌詞等)
* acoustic information(波形等)
- dataset來源： all music
- 音樂家有可能會有關係
- 共演過
- 被影響
- 使影響
- 曲風相似
- 等
- 把推薦系統想成一個link prediction
- 因為在單機的狀況下不能用cf,所以需要利用音樂家之間的關係，將原本兩張沒有的專輯link在一起。
- 難點在於如果要用graph的話，每一種類別的資料都是不同構的：
* Music item
* User
* Atrist
- 有透過一些pretrain task 來pretrain