本次讲座将介绍文本表示和文本生成方面的近一年重要进展。文本表示和生成是两个不可分割的任务。今年包括ELMo、GPT、BERT等新工作通过上下文语境对词向量建模。而今年也有一系列工作寻找最优表达句子的树以及研究基于树结构表示句子中的决定性因素。利用更好的表示，我们改进了翻译模型中过翻译和欠翻译的问题。我们也将介绍利用监督和非监督的方法训练模型根据关键词生成句子，进而推广到一般受限文本生成。基于这些技术，我们研发的写稿机器人已经写作超过6万篇文章跨6个语言，拥有12万多粉丝关注。我们也将介绍文本生成在搜索和广告等场景中的应用。

演讲提纲：

1. 写稿机器人概述
2. 句子表示
（1） 上下文相关向量话表示ELMo、GPT、BERT
（2） 树结构的神经网络句子表示
3. 机器翻译中的词覆盖问题
（1）词覆盖模型
（2）Past-and-future模型
4. 受限文本生成
（1）监督方法
（2）非监督贝叶斯采样方法CGMH
（3）时间序列补全模型
5. 应用介绍

听众收益：

1. 了解机器写稿、文本生成和翻译的工业界应用
2. 了解文本句子表示的最近一年新进展
3. 了解文本生成中的监督和非监督方法

滴滴运用大数据驱动和人工智能技术提升乘客出行和司机接驾效率，协同城市管理者提供智慧交通解决方案。在AI基础能力上，滴滴拥有出行领域全球领先的机器学习算法，深度应用在智能分单、智能调度、供需预测等系统的方方面面。

滴滴的订单分配系统需要实时进行司机和乘客两个群体的超大规模匹配计算，对每次计算而言，这是一个最优化问题，需要运用机器学习和组合优化理论在线进行求解；而当下的每次分配结构还会影响到未来一段时间的司乘关系，这又是一个典型的增强学习问题。

另外，在滴滴的核心业务场景中，供需预测是一个基础的决策信息，这是一个典型的时空数据预测问题，我们结合了大量的历史出行数据，并结合当前的实时特征，采用了LSTM+GCN对时间和空间数据进行建模求解。

演讲提纲：

1. 人工智能技术在滴滴的应用概览

2. 滴滴订单分配问题面临的挑战

3. 组合优化和机器学习对订单分配问题的建模和求解

4. 深度学习在滴滴实时供需预测中的应用

 听众收益：

 1. 了解滴滴的核心系统框架和大规模实时分配系统面临的挑战，以及如何用人工智能技术解决这些问题

2. 了解滴滴出行背后的时空大数据技术和匹配算法

3. 了解典型的人工智能技术如何在大规模实时系统中的落地和应用

在外卖业务中，餐品的预计送达时间(ETA)扮演了非常重要的角色：ETA向用户承诺了什么时间能拿到餐品，是用户选择一个商家的重要参考之一，也是配送调度、骑手送餐的重要指标。

 ETA的影响因素很多，如何利用人工智能技术对送达时间给出合理和准确的估计，对于外卖平台的用户体验、交易量、骑手的工作效率都有至关重要的影响。演讲中会对ETA预估的业务逻辑做简单概述，并介绍人工智能在ETA预估中的应用，以及从人工规则到深度学习的技术演进过程。

演讲提纲：

1. 外卖配送业务概述

2. 外卖配送的技术架构：ETA、调度、配送范围和定价

3. 送达时间预估的技术与挑战

4. 机器学习在ETA中的实践：从人工规则到基于深度学习的多模型系统

听众受益：

1. 对外卖业务形态的理解

2. 配送技术架构的了解

3. 外卖配送业务与其他互联网产品形态的差异，以及如何用人工智能解决配送问题

仓储是物流中的一个重要环节，传统的仓库运转需要大量的人力，是一个劳动力密集的行业。然而，很多这些繁重的劳动都可以被机器人替代。在一个自动化的仓库中，人和机器人能互相协同，在大幅增加劳动效率的同时，也同时能让整个仓库的作业数字化，增加作业的可预测性。

在一个机器人自动化的仓库中，有成百上千的机器人同时运转。在这样一个大规模的复杂系统中，如何通过算法来优化任务的分配，规划机器人行走路径，控制交通，预测各个作业节点的工作时长，是至关重要的问题。在这样一个多机器人协同的工业级系统中，人工智能的技术应用是整个系统的核心，它不仅能优化整个系统的作业效率，也能让整个系统更加鲁棒，更具备柔性，以适应多变的业务环境。在这个演讲中，我们将重点介绍这样一个大规模自动化仓储系统中应用到的人工智能技术，让更多的人了解到这些技术能够给物流行业带来的激动人心的变革。

演讲提纲：

  1. 物流和仓储介绍

  2. 自动化仓储系统的关键技术

  3. 大规模动态优化算法介绍

  4. 多智能体路径规划算法介绍

  5. 应用案例介绍

  6. 未来展望

听众收益：

  1. 了解到物流和仓储的基础概念

  2. 了解到大规模动态优化算法和多智能体路径规划算法的基础和在工业级系统中应用的实例

  3. 人工智能技术和物流行业结合带来的新的机遇

在搜索引擎广告系统中，我们需要将用户的查询词和广告主购买的关键字进行匹配，从而把相关联的广告选取出来进行广告点击率预测和广告排序。查询词和关键字的匹配方式有些是基于简单的匹配规则，但是很多情况下简单规则可以选取的广告十分有限。为了选取出更多的相关广告，我们会采用各种适用于短文本匹配的智能匹配方法。在这个演讲中，我将会介绍如何将各种深度学习算法应用到查询词和关键字的智能匹配中，并重点介绍工程实践中遇到的各种挑战以及解决方案。

演讲提纲：

1. 搜索广告系统简介

2. 广告选取的传统方法

3. 用于短文本匹配的深度学习算法

4. 工程实践中的应用实例和经验总结

5. 未来短文本匹配算法的展望

听众受益：

1. 了解搜索广告系统以及广告选取的方法

2. 了解短文本匹配的常用机器学习算法

3. 了解短文本匹配算法在工程实践中的使用经验

在搜索引擎广告系统中，我们需要将用户的查询词和广告主购买的关键字进行匹配，从而把相关联的广告选取出来进行广告点击率预测和广告排序。查询词和关键字的匹配方式有些是基于简单的匹配规则，但是很多情况下简单规则可以选取的广告十分有限。为了选取出更多的相关广告，我们会采用各种适用于短文本匹配的智能匹配方法。在这个演讲中，我将会介绍如何将各种深度学习算法应用到查询词和关键字的智能匹配中，并重点介绍工程实践中遇到的各种挑战以及解决方案。

演讲提纲：

1. 搜索广告系统简介

2. 广告选取的传统方法

3. 用于短文本匹配的深度学习算法

4. 工程实践中的应用实例和经验总结

5. 未来短文本匹配算法的展望

听众受益：

1. 了解搜索广告系统以及广告选取的方法

2. 了解短文本匹配的常用机器学习算法

3. 了解短文本匹配算法在工程实践中的使用经验

近几年，短视频应用蓬勃发展，由于短视频场景下用户兴趣和广告内容更难以理解，短视频广告在用户内容理解、召回、排序和机制上都会遇到更大挑战。基于快手海量的用户和视频数据，利用AI相关技术，可以更好的解决这些问题。本次分享主要探讨AI技术在快手短视频商业化中的应用，和大家共同探讨其中的关键问题和解法。

提纲内容：

1. 介绍短视频商业化中的算法问题

2. 如何利用AI技术(深度学习和强化学习)解决问题

3. AI技术落地的工程难点和解法

听众受益：

1. 了解短视频商业化中的算法

2. 了解AI技术在短视频商业化中的应用

3. 了解AI技术的工程实现