又获奖啦！好未来斩获国际人工智能顶级会议NeurIPS 2023竞赛冠军
好未来AI中台机器学习团队获奖邮件
随着数字技术在教育中的深层次应用，全球学生对个性化、高质量教育资源的需求日益迫切。作为国际人工智能顶级会议，NeurIPS2020“教育挑战”竞赛在AI领域的成果研究，将有可能对全球数百万学生的个性化教育产生持续、真实的影响。
好未来AI中台机器学习团队通过长期在NLP和数据挖掘领域的研究积累，能更准确地了解学生的学习状况，并给出个性化学习建议，为数据分析、内容识别、自动批改等技术在教育场景中的应用打下了良好基础。
02
加大科研人才投入
推动“AI+教育”落地
凭借扎实的技术积累和对智慧教育的深入理解，2019年8月，好未来获科技部批准，承建智慧教育国家新一代人工智能开放创新平台，以智慧教育重大需求为牵引，促进行业开放共享，助力中小微企业成长。与之同时，好未来不断加强底层科研能力的构建，与清华大学、中科院计算所等6所高校院所建立联合实验室或开展联合科研项目，不断加大科技研发和科研学术合作的力度。
同时，好未来不断加大对教育人才的培养，汇聚了大批心怀教育理想、致力于追求爱和科技让教育更美好的高精尖科技人才。
好未来AI团队参与的数十项学术成果入选NeurIPS、AAAI、WWW、EMNLP、AIED、NCME等国际顶级学术会议，并接连斩获世界计算机视觉领域顶级会议CVPR-EmotioNet竞赛冠军、世界人机交互与普适计算领域顶级会议UbiComp竞赛冠军、中国计算语言学大会CCL2020竞赛冠军等荣誉。在纽约国际人工智能顶级会议AAAI上，好未来AI团队成功组织了首届AIforEducation学术研讨会，推动“AI+教育”领域的国际学术交流。
在加大科研和人才投入的同时，好未来也在不断将AI技术大量应用到真实的教育场景中。
近年来，好未来不断取得前沿核心技术突破，并在语音技术、视觉理解、知识图谱等AI能力持续积累的基础上，实现多项技术的产品化应用，打造了包括AI课堂、教学过程评估、口语表达能力评测、作业拍搜批改等创新产品解决方案。目前，好未来已探索形成了覆盖“教、学、测、练、评”各教学环节的100余项AI能力、10余项教育场景应用AI解决方案。
接连荣获国际权威竞赛大奖，标志着国际学术界对好未来科研实力的认可，也凸显出好未来AI技术在教育场景落地中的实用价值。
未来，好未来将继续推进教育科技领域的深入研究，并基于智慧教育国家新一代人工智能开放创新平台，为教育从业者提供全场景、全过程、全周期的技术及服务支持，为孩子们提供更加公平、更有质量的教育体验。
●了解更多返回搜狐，查看更多
阿里云安全研究成果入选人工智能顶级会议 IJCAI 2019， 业界首次用AI解决又一难题！
8月10日至8月16日，国际人工智能组织联合会议IJCAI2019（InternationalJointConferenceonArtificialIntelligence2019）在中国澳门召开。阿里云4篇AI研究论文在诸多论文中脱颖而出，其中一篇被主论坛收录，三篇被AIBSWorkshop收录。论文深入解析了AI技术在网络安全、数据安全和内容安全领域研究成果和场景化应用，展示了阿里云安全在智能安全领域的领导性。
自1969年首次在华盛顿特区举办以来，IJCAI已成为人工智能领域最重要的顶级学术会议之一。每年被IJCAI成功收录的论文均是AI领域最前沿的研究成果。今年IJCAI主论坛的论文收录率仅为17.9%，比去年收录率更低。阿里云被主论坛收录的论文《LocateThenDetect：WebAttackDetectionviaAttention-basedDeepNeuralNetworks》，首次解决了深度学习在Web攻击检测领域的结果可解释性问题，具有前所未有的创新意义，证明阿里云在安全AI技术的学术研究和应用方面业界领先。
《LocateThenDetect：WebAttackDetectionviaAttention-basedDeepNeuralNetworks》（TianlongLiu,YuQi,LiangShi,JiananYan），即基于注意力机制的深度神经网络在Web攻击检测中的应用。该论文提出了一种全新的两段式Web攻击检测框架，称之为Locate-Then-Detect（LTD）。LTD模型结合了ObjectDetection和注意力机制的思想，创造性的提出了PLN（PayloadLocatingNetwork攻击载荷靶向定位网络）与PCN（PayloadClassificationNetwork攻击载荷分类网络），通过两个深度神经网络的结合，可以准确的定位恶意攻击所在的位置，并对其类型进行精准识别。PLN用来定位攻击向量的可疑位置，PCN再对识别出的可疑向量进行分类，通过靶位识别网络的提取能力，能够使得检测系统更加关注真正有害的攻击，从而规避掉整个请求内容中正常部分对模型预测结果的影响。
LTD首次解决了深度学习在Web攻击检测领域的结果可解释性问题（通过Payload的靶向定位实现），同时在与其他传统方式的对比中，LTD也表现出超过了基于规则、符号特征和传统机器学习方法的效果。目前，LTD检测框架已通过AI内核的形式实际应用阿里云Web应用防火墙产品当中，通过AI内核的加持，为云上客户提供实时的智能防护，保障云上用户安全。
被AIBSWorkshopPaper（ArtificialIntelligenceforBusinessSecurity）收录另外三篇论文主题均聚焦在AI技术在云安全的最新研究成果和应用，分别为《Multi-strategyIntegrationArchitectureforPornographicWebSiteDetection》、《InsiderThreat-DataExfiltrationDetectionusingNode2VecinInstantMessage》、《WebshellDetectionwithAttention-BasedOpcodeSequenceClassification》。《Multi-strategyIntegrationArchitectureforPornographicWebSiteDetection》（YuPang），即基于多策略融合的色情风险检测模型。
随着互联网的不断发展，违禁风险内容也不断增加，如暴力、色情、种族歧视等，因此，必须建立一个功能强大的能够识别和屏蔽该类风险的检测模型。该论文针对该问题提出了一个基于多策略融合的色情网站风险检测模型。与其他商业化场景中主要使用的基于网站内容的检测模型（如关键字检测或黑名单检机制等）不同，该方法融合文本特征、结构内容特征和语义特征构造检测模型。实验结果表明，该模型在精度和F1评分上都优于其他风险检测模型。
《InsiderThreat-DataExfiltrationDetectionusingNode2VecinInstantMessage》（XiaoyuTang,JieChen），即内部威胁检测：基于Node2Vec的数据泄漏检测模型。
数据是很多公司的核心资产，包括但不限于公司的未来规划、交易数据、员工个人信息数据、客户数据等等，内部员工导致数据泄漏是代价最高而且最难以检测的，一方面内部员工本身可能拥有公司的多种权限，能够接触到大量的敏感数据；另一方面由于公司内部，和外部客户的数据交流经常会使用即时通讯工具进行，即时通讯工具可能被一些员工用来做敏感数据备份或者是数据外移的工具。因此，在即时通讯工具层面做数据安全防护是有意义且必要的。传统上在即时通讯工具上进行用户行为异常检测是使用一些统计规则，以及统计数据，这种方式由于需要更多人为经验去进行特征抽取，召回率和准确率都不高。经过分析和调研，本文发现可疑用户在即时通讯工具中传输文件会产生和正常用户不同的文件网络结构，据此，我们提出利用Node2Vec检测异常的文件传输结构的方法，能够完成自动化的进行特征抽取，并且在准确和召回上都有比较好的表现效果。
《WebshellDetectionwithAttention-BasedOpcodeSequenceClassification》（WeiHe,YueXu,LiangShi），即基于注意力机制Opcode序列的Webshell检测。
近年来，越来越多的Web应用程序迁移到云平台上，它们可能包含严重的Webshell或者由于存在漏洞而被植入了Webshell。但是针对Webshell的检测存在一些挑战，因为Webshell通常在恶意和正常文件之间没有明确的界限。例如，WordPress中的上传插件和管理员维护页面的功能与恶意Webshell非常相似，另一方面，许多Webshell为了绕过各种检测手段模拟成正常脚本的形态。因此，一个可靠的检测器应该以低误报率区分Webshell和普通Web脚本。本文提出了一种基于操作码序列检测的方法，我们建立了一个序列分类模型来预测恶意Webshell的概率。此方法不处理PHP脚本的模糊部分，而是处理执行时的实际机器代码。利用具有注意机制的BiLSTM来学习和识别操作码序列。通过超过30,000个样本的评估，实验结果表明我们的方法达到了F1=98.78％和AUC=99.97％，超过了其他检测模型。由于具有良好的准确性和多功能性，我们的方法可以用作常见的Webshell检测中，而不仅仅是PHPWebshell。
阿里云目前服务中国40%的网站，为上百万客户提供基础安全防御。每天由阿里云成功抵御的大流量DDoS攻击占全国的一半以上。丰富的实践经验为阿里云的学术研究提供了有利条件，最前沿的研究成果反哺产品及攻防实践，为客户提供更加智能的安全产品和服务，以保障千万企业云上安全。
人工智能中的顶级会议
当搭建好了AI领域的知识架构，即具备了较好的数学、编程及专业领域知识后，如果想在AI领域追踪前沿研究，就不能再只看教材了。毕竟AI领域的发展一日千里，教材上的知识肯定不是最新的。此时，应该将关注的重点转向AI领域的会议和期刊论文，特别是会议论文，会议论文包含着AI领域的最新研究成果。AI领域的会议论文非常多，如果没有选择的技巧，无疑是大海捞针，费力而不讨好。这里需要强调一点，要看顶级会议的论文。顶级会议是高手过招的地方，好比是武林中的华山论剑。
什么是顶级会议？哪些会议是顶级会议？如何获取顶级会议的投稿信息？本文将重点描述这些内容。
1.什么是顶级会议？顶级会议好比一个演唱会，只有大牌明星云集的演唱会才算是顶级演唱会，自然地，只有顶级AI学者云集的会议才算是顶级会议。事实上，经过这么多年的发展，AI领域有些会议受到了广大从业人员的深度认可，形成了巨大的品牌效应。大家争相投稿这些会议，导致录用率比大多数期刊的录用率都低很多，这些会议就是AI领域的顶级会议。
2.哪些会议是顶级会议？通过顶级会议的列表可以很方便地查找哪些会议是顶级会议。如何评价一个会议是否是顶级会议，没有统一的标准。因此顶级会议的列表也有很多种版本。读者不用担心各个版本的顶级会议列表会造成冲突和混乱，以至出现不知道应该以哪个版本的顶级会议列表为准的情况。这是因为虽然顶级会议列表的版本有很多种，但是对于顶级会议的评价，各个版本都比较接近。所以参考其中任何一个版本差别都不会太大。顶级会议的列表从哪里去找？这里介绍三种方法，一是通过谷歌学术，二是通过各个学会组织或机构的官网，三是通过中国计算机学会的官网。
通过谷歌学术查找顶级会议列表的具体步骤见图6‑15。首先打开谷歌学术网站得到界面1，然后在界面1中点击椭圆圈出的“选项按钮”，弹出界面2，然后在界面2中点击“Metrics”，弹出界面3，在界面3中点击“Categories”，弹出界面4，在界面4中点击“Engineering&ComputerScience”，弹出界面5，在界面5中点击“Subcategories”，弹出界面6，在界面6中点击“ArtificialIntelligence”，弹出界面7，即得到了顶级期刊和会议的混合列表（这里只截取了前4位）。
图6‑15使用谷歌学术查找顶级会议列表的具体步骤
通过学会组织或机构的官网也可以查询这些单位推荐的顶级会议列表，例如清华大学、上海交通大学等单位为了规范学术会议论文的发表就发布了各自的顶级会议论文列表，列表中列出了各学科自己推荐的本领域的顶级会议名单，为高质量的学术论文发表指明了方向。这些列表在网上都可以搜索到并可以免费下载，读者可以使用搜索引擎搜索“单位名称顶级会议列表”下载，例如“上海交通大学顶级会议列表”。
中国计算机学会发布的《CCF推荐会议/期刊列表》得到了广大计算机领域从业人员的认可。中国计算机学会网站的地址为https://www.ccf.org.cn，界面如图6‑16所示。通过中国计算机学会的官网查找顶级学术会议列表，只需先打开其官网。然后，点击“CCF推荐会议/期刊列表”栏目（见图6‑16中用方框标出的栏目），即可看到相关列表。CCF将顶级会议分成了A、B、C三个类别。
图6‑16中国计算机学会网站界面
中国计算机学会推荐的人工智能领域A类会议见表6‑2。表中给出了会议的简称、全称、出版社、网址。注意网址并不是会议的官网，给出的是下载会议论文全文的链接。由于会议基本上都是每年举办一次，也有一些是两年或以上举办一次，所以会议的官网每年都不同。如需查找会议的官网，只需在Google中以会议简称加年份进行搜索即可，例如搜索“CVPR2021”。表6‑2中，AAAI和IJCAI代表了人工智能大领域的顶级会议的最高水平。NeurIPS和ICML则代表了机器学习领域顶级会议的最高水平。CVPR和ICCV代表了计算机视觉和模式识别领域顶级会议的最高水平。ACL代表了自然语言处理领域顶级会议的最高水平。
表6‑2中国计算机学会推荐的人工智能领域A类会议
序号
会议简称
会议全称
出版社
网址
1
AAAI
AAAIConferenceonArtificialIntelligence
AAAI
http://dblp.uni-trier.de/db/conf/aaai/
2
NeurIPS
AnnualConferenceonNeuralInformationProcessingSystems
MITPress
http://dblp.uni-trier.de/db/conf/nips/
3
ACL
AnnualMeetingoftheAssociationforComputationalLinguistics
ACL
http://dblp.uni-trier.de/db/conf/acl/
4
CVPR
IEEEConferenceonComputerVisionandPatternRecognition
IEEE
http://dblp.uni-trier.de/db/conf/cvpr/
5
ICCV
InternationalConferenceonComputerVision
IEEE
http://dblp.uni-trier.de/db/conf/iccv/
6
ICML
InternationalConferenceonMachineLearning
ACM
http://dblp.uni-trier.de/db/conf/icml/
7
IJCAI
InternationalJointConferenceonArtificialIntelligence
MorganKaufmann
http://dblp.uni-trier.de/db/conf/ijcai/
中国计算机学会推荐的人工智能领域B类会议和C类会议列表，读者可以查阅图书《人工智能怎么学》。
3.顶级会议的投稿信息获取要将论文投稿到顶级会议，首先需要了解会议的相关信息，包括：会议的召开时间、召开地点、投稿截止时间、录用结果公布时间、会议论文的模板、投稿须知等。一般情形下，这些信息在会议的官网都有发布，所以最重要的事情是获取会议的官网地址。要获取会议的官网地址，可以采用如下的方式。
(1)利用搜索引擎搜索投稿信息
利用Google和百度等搜索引擎可以很方便地搜索顶级会议的官网地址。例如，假设想搜索2021年召开的CVPR会议，只需在索索引擎中输入“CVPR2021”进行搜索，即可找到其官网链接。打开官网后即可找到会议的相关信息。
(2)利用WikiCFP搜索投稿信息
WikiCFP是一个提供会议相关信息查询的网站，其网址为：http://dblp.uni-trier.de/db/conf/ijcai/。利用WikiCFP网站可以非常方便地查找会议的相关信息，只需在网站左侧的搜索栏中输入会议的简称或全称，然后选择会议的年份，再点“Search”按钮即可进行检索。在弹出的搜索结果页面找到你想要查找的会议的链接，然后点击它，即可打开会议的官网。打开官网后即可找到会议的相关信息。
通过上述方法，可以找到会议的官网地址并能够获取到会议的相关信息。对这些会议的信息进行汇总，根据你是否有时间参会、研究的主题是否与会议主题相符、论文的风格和质量是否与会议相匹配等条件决定你想要投稿的会议。决定想要投稿哪个会议后，先阅读该会议论的投稿须知，然后从会议官网下载会议论文的模板，根据模板要求认真撰写论文。初稿完成后务必反复检查、反复修改，确定没有问题后才可按照投稿要求进行投稿。好的论文都需要花大量的时间进行认真地打磨，需要有足够的耐心，要抱着追求极致的精神去打磨论文，只有这样才能产出一篇高质量的论文，才有可能投中顶级会议。
如果想了解人工智能中的顶级期刊的信息，敬请关注本公众号的下一篇文章《人工智能中的顶级期刊》。
关于人工智能前沿信息获取的更多介绍，可以购买《人工智能怎么学》进一步阅读。
图书购买方式
京东：https://item.jd.com/13395339.html
当当：http://product.dangdang.com/29469230.html
天猫：https://detail.tmall.com/item_o.htm?id=687374654836
为了让图书惠及更多的读者，为更多想学习人工智能的人提供帮助，经过向出版社申请，对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别，适合想对人工智能进行快速和高效入门的读者，对于已有一定的人工智能学习基础，希望进一步进阶或提高的读者，则需要购买图书《人工智能怎么学》，学习中阶提高以及高级进阶的内容。此外，对于学习人工智能感兴趣的读者，也可以加入知识星球《人工智能怎么学》，知识星球是一个构建学习社群的平台，通过加入《人工智能怎么学》的社群，你将获得更多的学习资料和课程信息。
与作者互动和了解更多信息
想跟作者一起学习人工智能和互动，你可以加入如下社群：
知识星球：https://t.zsxq.com/0aLkVg0os
QQ群：600587177
想了解更多关于人工智能学习及实践的内容，请关注如下媒体：
官方网站：https://bigdatamininglab.github.io
官方微信公众号：人工智能怎么学(可扫描下方二维码或者微信搜索“人工智能怎么学”添加关注)
CSDN：https://blog.csdn.net/audyxiao001
参考文献
邓发云.信息检索与利用（第3版）[M].北京:科学出版社,2018.王细荣,韩玲,张勤.文献信息检索与论文写作（第7版）[M].上海:上海交通大学出版社,2018.沈固朝,储荷婷,华薇娜.信息检索（多媒体）教程（第3版）[M].北京:高等教育出版社,2015.夏旭.基于Google学术搜索的引文检索研究[J].情报理论与实践,2006(06):697-701.余有成.研究者社会网络搜索与挖掘系统[J].高科技与产业化,2013,9(010):70-73.ZhangY,JiaY,FuL,etal.AceMapAcademicMapandAceKGAcademicKnowledgeGraphforAcademicDataVisualization[J].JournalofShanghaiJiaotongUniversity,2018,52(10):1357-1362.谢智敏，郭倩玲.基于深度学习的学术搜索引擎——SemanticScholar[J].情报杂志,2017,036(008):175-182.许剑颖.微软学术搜索初探[J].情报探索,2012(12):96-100.虞为,翟雅楠,陈俊鹏.百度学术用户体验信息内容研究[J].情报杂志,2020,039(002):134-139,168.马捷,刘小乐,郑若星.中国知网知识组织模式研究[J].情报科学,2011(06):843-846.注：本文版权归作者个人所有，如需转载请联系作者，未经授权不得转载。