LAIW第28期活动暨“面向大数据分析的深度学习方法”讲座

2021年5月27日19：00，法律与人工智能研习社在法学院三楼会议室举办“面向大数据分析的深度学习方法”讲座活动。活动主讲嘉宾为计算机学院副教授陈杰老师，与谈人为四川大学法学院教授王竹老师。参加本次活动的有法学院、计算机学院等不同专业的本科、硕士、博士同学。

与人工智能技术息息相关的大数据分析是探索大数据价值的核心环节之一，目前也常被运用于法学研究领域。陈杰老师首先向同学们介绍了大数据的定义以及5V特征，即：大量、高速、多样、低价值密度和真实性。接下来，陈杰老师介绍了四种大数据关键技术，分别是：大数据存储（采集）、大数据预处理、大数据分析和大数据可视化。本次讲座就是结合老师自己的研究方向，主要从大数据分析方法进行深入展开。

大数据分析方法可以用于分类、聚类、相似匹配、连接预测和数据压缩。在分析数据前，首先要用计算机表示数据。然而数据体量浩大、种类繁多，具有多源异构的特点，可以分为结构化数据、半结构化数据和非结构化数据。例如图像等非结构化数据相对于结构化数据更加难以表示，如何从海量的数据中快速、准确、便捷地提取出有价值的信息？数据表示方法就是要提取高维数据中低维子空间的本质结构，具体问题又包括高维数据的分类、高维数据的子空间聚类、高维数据的子空间学习。大数据表示目前已经应用于人脸识别、图像分析、手写体识别等技术，使我们的生活更加高效便利。

深度学习方法是人工智能的支撑技术之一，深度学习即模拟大脑的大数据信息处理，根据大脑皮层结构构建神经计算模型。深度学习可以用于构建知识图谱。知识图谱准确地阐述人、事、物之间的关系，其构建依赖于大量的知识，而大部分的信息都是非机构化的，利用深度学习技术是解决知识获取的重要手段。尽管现在大规模知识图谱层出不穷，但依然面临严重的知识不全的问题，补全知识图谱的一种方式是从已有的知识中推理出新的知识，补全缺失的连接，知识图谱表示学习可被用来解决这一问题。知识图谱表示学习将知识图谱中的元素映射到向量空间，为它们学习向量空间的表示，并借由向量空间表示之间的计算来拟合三元组的真值，从而达到补全知识图谱的目的。

最后，陈杰老师向同学们介绍了深度学习的发展趋势，如神经网络模型架构与数据处理、图像分割和目标跟踪。王竹老师与陈杰老师交流了深度学习技术在法律人工智能领域的运用前景，比如分析裁判文书、判断关联性等，同学们受到了许多启发。