在CCF-A类学术会议上和JCR一区期刊上发表了超过80篇高水平学术论文，并荣获了中国人工智能学会2018年度最佳青年科技成果奖及2019年度CCF-腾讯犀牛鸟基金优秀专利奖。杨敏是中国科学院青年创新促进会的一员，她的职业生涯十分出色。

这位来自四川的90后科学家杨敏，怀揣着对自然语言处理技术的热情，在香港大学攻读计算机科学博士学位后，加入了中国科学院深圳先进技术研究院数字所，开启了自己的科研生涯。如今，她不仅是副研究员，还是博士生导师。

为什么选择专注于人工智能领域？杨敏表示，兴趣和热爱是她最大的驱动力。她认为数据挖掘研究非常迷人，从中能够发现许多有用且令人兴奋的信息。同时，她也十分看好人工智能技术的发展前景，坚信随着人类对更便捷生活的需求增加，人工智能将在其中发挥重要作用。

近年来，随着智能技术的广泛应用，机器人逐渐成为客服行业的主力军。然而，在“人机对话”中，常常出现程序繁琐、无法准确回应用户需求的问题。如何使智能客服更好地理解人类的实际需求，并快速准确地提供解决方案，成为了自然语言处理技术需要解决的重要问题。

杨敏指出，要让智能问答达到与人类问答相同的效果，实际上非常困难。当前我们仍处于弱人工智能时代，需要突破认知智能的瓶颈，才能使机器真正理解问题、进行推理并解决问题。目前来看，这一目标还有一定的距离。

为了使机器能够理解人类的语言，杨敏的研究团队尝试依据人类的行为模式设计深度神经网络模型。例如，人类在阅读文章时通常会先大致浏览一遍内容，然后带着问题仔细阅读寻找答案，最后确认答案的准确性。杨敏团队借鉴了这种人类阅读认知的过程，提出了基于先验知识的交互感知模型、目标感知的语义蒸馏模型以及基于强化学习的语义反馈模型等，旨在以更加接近人类阅读认知的方式解决自然语言理解的问题。

除了深度神经网络模型，杨敏的研究团队还致力于知识图谱的应用，以弥补人工智能背景知识的不足。尽管大数据分析能够提取大量有用信息，但仅仅依靠数据驱动是不够的。人类之所以能够迅速做出决策，是因为具备丰富的经验和背景知识。因此，杨敏团队采用数据驱动与知识驱动相结合的方法，通过构建完善的知识图谱来补充人工智能的背景知识。

此外，模型压缩也是该团队研究的重点之一。随着模型训练强度、数据量以及精度的增加，计算资源消耗也会相应增加。特别是在线上运行时，复杂的模型会导致反馈时间延长，影响用户体验。通过模型压缩，可以在不影响运算精度的前提下减少参数数量，提高效率，缩短训练时间，并降低对数据的要求，从而提升用户体验。目前，杨敏团队正在与腾讯、神州泰岳等企业合作，针对模型压缩进行深入研究，主要应用于自然语言理解和推荐系统。

在实际应用方面，杨敏团队与深圳市得文科技有限公司共同建立了“法律人工智能联合实验室”，将自然语言处理和推荐系统的相关算法应用于司法领域，开发了案件判决预测、类案智能搜索以及法律智能问答等系统。

【记者】杜艳