摘要：

自然语言处理是一门跨学科的研究领域，试图找出自然语言的规律，建立运算模型，最终让电脑能够像人类般分析，理解和处理自然语言。自然语言处理已经成为国际上最活跃的科学研究领域之一，引起了全球科技界和企业界的密切关注。

近年来，深度学习在自然语言处理领域受到越来越多的关注。本演讲主要综述深度学习在自然语言处理，特别是语义推理、机器阅读上的应用，并介绍一些最新的研究进展。此外，演讲中还会介绍深度学习在NLP领域和在其他领域（如计算机视觉、语音处理等）的发展和应用情况区别。以及机器学习背景的人做NLP，和NLP背景的人用机器学习，各自有什么优势和不足，如何合理定位、取长补短。

提纲：

1.自然语言处理和深度学习简介；
2.文本表示学习：字、词、句子、篇章的表示；
3.应用：文本分类、语义推理、机器阅读；
4.实践。

听众收益点：

1.了解基于深度学习的自然语言处理技术原理；
2.和传统方法的优缺点对比；
3.如何更有效地开发自然语言处理系统。

从2017年6月开始，PaddlePaddle 经历了一次重构。这使得它与 TensorFlow 等描述模型的深度学习框架不同，专注于描述计算过程。这里利用了深度学习的前向计算既是模型也是过程的特点。PaddlePaddle 会自动补全反向计算过程。并且输出类似高级语言中抽象语法树 AST 的结构。接下来，不同类型的编译器可以把 AST 编译成面向云的分布式训练程序，也可以编译成手机专用的服务程序。

演讲提纲

• 两代深度学习框架：从Caffe到TensorFlow
• 从框架到编译器：描述模型和描述计算过程
• 从编译到执行：Python还是DL专用语言？
• 从本地到云端：一个编译器前端和多个后端

听众受益

• 了解深度学习的演进过程。
• 了解深度学习计算的演进过程。
• 了解深度学习和云的结合过程。

深度学习当前在图像视频，自然语言处理及语音识别等各个领域都取得了突破性的技术进展，并在实际中获得了广泛的使用。

CTR预估任务是工业界最常见的业务类型，在广告，推荐，排序等领域很多问题都可以转化为CTR预估问题。CTR预估任务面临着超大规模特征量以及大量稀疏数据等实际应用问题，很多常规的深度学习模型无法满足实用化要求。

本讲座介绍了CTR预估任务中应用深度学习的各种主流模型，梳理了模型之间的演化关系和特点，并对优选的模型和训练方法等作了归纳。

演讲提纲

• 当深度学习遇到CTR预估任务 
• factorization machines模型 
• 当前主流的深度学习CTR预估模型 
• 优选的模型结构及训练方法 
• 新浪微博应用环境下的探索

听众收益

• 深入了解目前CTR预估任务中最主流的深度学习模型，包括各种模型的技术方案优缺点等； 
• 了解在CTR预估业务应用时优选的网络结构及训练优化方法；

阿里小蜜是阿里巴巴推出的围绕电商服务、导购以及任务助理为核心的智能人机交互产品，已经成为了阿里巴巴双十一期间服务的绝对主力。阿里小蜜所使用的问答技术也在经历着飞速的发展，近期将自然语言处理领域目前的学术热点——机器阅读理解技术成功运用在电商服务中，让机器具有如同人一般的阅读理解能力，使问答产品体现出真正的智能。本次分享将对机器阅读理解技术的相关方法及在阿里小蜜真实业务场景中的应用实践做一次全面的介绍。

演讲提纲

• 机器阅读理解技术的业务场景和价值；
• 相关数据集及技术方案；
• 阿里小蜜中的机器阅读理解技术实践。
• 未来技术趋势及挑战。

听众受益

• 了解机器阅读理解技术的相关方法和发展趋势；
• 了解机器阅读理解技术在具体业务场景中的应用实践。