AI热门领域交叉分析|在未来,机器学习与自然语言处理还会碰撞出哪些火花?
AMiner全新功能技术趋势分析Trend analysis(http://trend.aminer.cn)基于AMiner 2亿篇论文数据进行深入挖掘,包括对技术来源、热度、发展趋势进行研究,进而预测未来的技术前景。技术趋势分析描述了技术的出现、变迁和消亡的全过程,可以帮助研究人员理解领域的研究历史和现状,快速识别研究的前沿热点问题。机器学习(machine learning)是一门多领域交叉学科,设计概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。从历史来看,机器学习是人工智能研究较为年轻的分支,似乎也是人工智能中发展最快的分支之一。一般认为,它的发展过程大体上可分为4个时期:第一阶段 20世纪50年代中叶到60年代中叶,属于热烈时期。第二阶段 20世纪60年代中叶至70年代中叶,被称为机器学习的冷静时期。第三阶段 20世纪70年代中叶至80年代中叶,称为复兴时期。第四阶段 机器学习开始于1986年,目前我们仍处在这个时期。
本文基于AMiner全新功能技术趋势分析Trend analysis和笛卡尔乘积热点挖掘,将为大家解读机器学习领域进行的趋势分析以及机器学习与自然语言处理域的交叉趋势分析。机器学习趋势分析下面我们将用Trend analysis分析机器学习领域内的研究热点。下图是当前该领域的热点技术趋势分析,通过Trend analysis分析挖掘可以发现当前该领域的热点研究话题Top10如下:machine learningbrain computer interfaceartificial intelligencesupport vector machinegaussian processmissing dataimage classificationsocial networkdata miningcomputer science
根据Trend analysis的分析我们可以发现,该领域当前最热门的话题是machine learning,从全局热度来看,machine learning的话题热度虽然有所起伏但从20世纪90年代至今其话题热度始终保持在Top 1,论文的发表数量也较多;brain computer interface的研究热度从2003年开始迅速上升,近几年话题热度更是超越support vector machine成为top 2 话题;另外,近期multi task learning 的话题热度开始逐渐上升。通用机器学习技术奠基人之一的Thomas G. Dietterich在2000年发表的“Ensemble Methods in Machine Learning”回顾了集合方法并解释了为什么聚类通常比任何一个分类器都表现更好。
Thomas G. Dietterich的研究贡献主要包括将纠错输出编码应用于多类分类问题,他发明了多示例学习、层次强化学习MAXQ框架及将非参数回归树整合到概率图模型中的方法。此外,Dietterich教授也参与撰写了美国白宫发布的两份重磅AI报告《为人工智能的未来做准备》和《美国国家人工智能研究与发展策略规划》。机器学习&自然语言处理交叉趋势分析我们选取自然语言处理域近期热度与全局热度最高,相关性最强的9个相关领域作为研究对象,具体包括:Natural Language ProcessingMachine TranslationText CorpusLanguage ModelingTreebankNistSemanticLabelingWord SegmentationShallow Parsing通过对两个领域的知识图谱的计算,再对两领域的细分子领域进行笛卡尔乘积热点挖掘,本文挖掘了历史数据分析和未来趋势预测两部分。本文主要探讨2007年至今的研究状况;趋势预测仅以未来3年为周期来探讨。“ 领域交叉热力值由交叉研究的论文的citation等数据加权计算得出,热力值越高,表明这个两个交叉子领域交叉研究的越深入和广泛。”每个交叉热点中的研究学者,发表论文,中外学者和论文对比等数据均可以获得。用作展示时,研究学者和论文分别按照交叉领域研究影响度和论文相关度作为默认排序。学者研究影响度由交叉领域内论文量,h-index等计算得出;论文相关度由交叉领域内论文的关联程度和引用数量等计算得出。对比分析中“中外研究人员对比”和“中外研究论文对比”是专家数量和论文数量的直接对比;而“中外论文影响对比”是论文citation值的对比。历史热点图
2007年至今 机器学习领域与自然语言处理领域交叉分析热点图2007年至今,全球共有10019位专家投入了机器学习和自然语言处理领域的交叉研究中,其中华人专家1754人,约占17.51%,共产生交叉研究论4310篇。学者H-index分布和Citation分布如下:h-index专家人数分布占比小于10714171.27%10~20135613.53%20~40102810.26%大于403153.14%总计10019100%2007年至今 机器学习领域与自然语言处理领域交叉研究学者h-index分布citation专家人数分布占比小于10183642.60%1~10132830.81%10~10099923.18%100~200811.88%大于200661.53%总计4310100%2007年至今 机器学习领域与自然语言处理领域交叉研究论文citation分布历史交叉领域TOP5machine learning & natural language processingSupervised Learning & natural language processingRegularization& natural language processingmachinelearning & Machine TranslationUnsupervised Learning & natural language processing我们选取历史交叉领域TOP5中的第一个:machine learning与natural language processing→机器学习领域与自然语言处理领域,进行详细的交叉研究分析。机器学习领域与自然语言处理领域相关性最高的5位作者如下所示:Michael I. Jordan
Geoffrey Hinton
Eric P. Xing
Hongjie Dai
Xin Li
机器学习领域与自然语言处理领域相关性最高的5篇论文如下所示:题目:The Case for VM-Based Cloudlets in Mobile Computing会议/期刊:IEEE Pervasive Computing年份:2009引用量:2583作者:Mahadev Satyanarayanan,Paramvir Bahl,Ramon Caceres,Nigel Davies题目:Cheap and fast---but is it good evaluating non-expert annotations for natural language tasks会议/期刊:EMNLP年份:2008引用量:1770作者:Rion Snow,Brendan O'Connor,Daniel Jurafsky,Andrew Y. Ng题目:Deep Learning: Methods and Applications会议/期刊:Foundations and Trends in Signal Processing年份:2014引用量:1368作者:Li Deng,Dong Yu题目:The Unreasonable Effectiveness of Data会议/期刊:IEEE Intelligent Systems年份:2009引用量:873作者:Alon Y. Halevy,Peter Norvig,Fernando Pereira题目:A survey of modern authorship attribution methods会议/期刊:JASIST年份:2009引用量:1149作者:Efstathios Stamatatos机器学习&自然语言处理历史研究数据对比
机器学习领域与自然语言处理领域历史论文数据
机器学习领域与自然语言处理领域历史专家数据机器学习&自然语言处理中美对比
机器学习领域与自然语言处理领域中美研究人员对比
机器学习领域与自然语言处理领域中美论文对比机器学习领域与自然语言处理领域研究中,领先的国家分别是:美国🇺🇸中国🇨🇳日本🇯🇵印度🇮🇳加拿大🇨🇦英国🇬🇧德国🇩🇪意大利🇮🇹法国🇫🇷机器学习领域与自然语言处理领域研究中,全球主要研究机构是:哥伦比亚大学微软研究院锡拉丘兹大学美国国家医学图书馆中国科学院北京理工大学东京大学科罗拉多大学东京大学卡内基梅隆大学未来趋势预测预测未来三年内运用交叉较高领域:1.machine learning & natural language processing2.Recurrent Neural Network & Language Modeling3.Deep Learning & natural language processing4.machine learning & Language Modeling5.Topic Modeling & Machine TranslationAMiner预测机器学习领域与自然语言处理领域未来三年热点图如下图所示:
机器学习领域与自然语言处理领域交叉热点预测机器学习是人工智能的核心,应用遍及人工智能的各个领域,目前机器学习已经在数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、DNA序列测序、战略游戏和机器人等多个方面都得到了运用,在未来,它的应用将会得到更多的拓展。学术头条已建立微信交流群,想进群的同学请加学术君微信:AMiner308,记得备注:名字+单位/学校噢!