自然語(yǔ)言理解是AI皇冠上的明珠。在大數(shù)據(jù)、深度學(xué)習(xí)和云計(jì)算推動(dòng)下，自然語(yǔ)言理解的各個(gè)領(lǐng)域都孕育著無(wú)窮的機(jī)會(huì)。這份書(shū)單介紹了兩本來(lái)自微軟亞洲研究院自然語(yǔ)言計(jì)算組的全新力作：《智能問(wèn)答》和《機(jī)器翻譯》，分別對(duì)智能問(wèn)答和機(jī)器翻譯這兩個(gè)具有廣泛應(yīng)用場(chǎng)景的研究領(lǐng)域進(jìn)行了系統(tǒng)性的介紹。

作為全球知名的研發(fā)機(jī)構(gòu)，微軟亞洲研究院在自然語(yǔ)言處理方面一直有著獨(dú)特優(yōu)勢(shì)。最近出版的《智能問(wèn)答》和《機(jī)器翻譯》兩本技術(shù)著作凝結(jié)了微軟亞洲研究院在自然語(yǔ)言處理上的最新成果，獲得了業(yè)內(nèi)諸多專家的好評(píng)和推薦。

本期書(shū)單向各位讀者重點(diǎn)介紹這兩本書(shū)。

推薦專家及推薦理由

自然語(yǔ)言處理是中文信息處理的重要技術(shù)，我很高興地看到，中國(guó)的自然語(yǔ)言處理在最近二十年取得了長(zhǎng)足的進(jìn)步。最新的深度學(xué)習(xí)進(jìn)一步推動(dòng)了本領(lǐng)域的發(fā)展。《智能問(wèn)答》和《機(jī)器翻譯》兩本書(shū)詳細(xì)地介紹了最新的理論、方法和技術(shù)，是難得的技術(shù)參考書(shū)。

——李生

哈爾濱工業(yè)大學(xué)教授，原中國(guó)中文信息學(xué)會(huì)理事長(zhǎng)

早在1991年，當(dāng)比爾·蓋茨創(chuàng)建微軟研究院時(shí)，就提出過(guò)一個(gè)愿景：讓計(jì)算機(jī)能看會(huì)聽(tīng)，并可理解人類的想法。從那時(shí)開(kāi)始，自然語(yǔ)言處理和計(jì)算機(jī)視覺(jué)、語(yǔ)音和圖像識(shí)別等一直就是重要的研發(fā)方向。這兩本書(shū)體現(xiàn)了微軟亞洲研究院在自然語(yǔ)言處理方面的卓越進(jìn)展。

——洪小文

微軟全球資深副總裁、微軟亞太研發(fā)集團(tuán)主席、微軟亞洲研究院院長(zhǎng)

兩本書(shū)分別系統(tǒng)地介紹了兩個(gè)領(lǐng)域的關(guān)鍵技術(shù)，深入淺出，理論與實(shí)踐完美結(jié)合，對(duì)有志于進(jìn)入本領(lǐng)域?qū)W習(xí)的人士大有幫助。懂語(yǔ)言者得天下！

——沈向洋

微軟全球執(zhí)行副總裁、微軟人工智能及研究事業(yè)部負(fù)責(zé)人

微軟是繼IBM深度問(wèn)答系統(tǒng)問(wèn)世以來(lái)率先從事開(kāi)放式智能問(wèn)答系統(tǒng)研究的著名團(tuán)隊(duì)之一，而微軟亞洲研究院的機(jī)器翻譯團(tuán)隊(duì)也是該領(lǐng)域全球最著名的團(tuán)隊(duì)之一?！吨悄軉?wèn)答》和《機(jī)器翻譯》兩本書(shū)的作者就分別來(lái)自于這兩個(gè)團(tuán)隊(duì)，我對(duì)他們的學(xué)術(shù)造詣深信不疑，并對(duì)他們?cè)谘芯恐凶龀龅呢暙I(xiàn)充滿自豪。

《智能問(wèn)答》一書(shū)深入地介紹了不同類型的智能問(wèn)答系統(tǒng)，對(duì)于其底層的深度學(xué)習(xí)理論和知識(shí)圖譜、語(yǔ)義表示做了深入淺出的闡述。《機(jī)器翻譯》一書(shū)深入地介紹了近三十年來(lái)得到階躍式發(fā)展的統(tǒng)計(jì)機(jī)器翻譯和神經(jīng)機(jī)器翻譯的理論、方法和工具。鑒于兩本書(shū)的理論高度和實(shí)踐深度，它不僅可以作為大學(xué)本科和研究生的教科書(shū)使用，也定將會(huì)成為相關(guān)科研工作者和企業(yè)開(kāi)發(fā)人員案頭常備的專業(yè)參考書(shū)。

——黃昌寧

國(guó)際著名NLP專家、清華大學(xué)NLP團(tuán)隊(duì)和MSRA自然語(yǔ)言處理團(tuán)隊(duì)創(chuàng)始人

第一本書(shū)：《智能問(wèn)答》

內(nèi)容簡(jiǎn)介

作為搜索引擎和智能語(yǔ)音助手的核心功能，智能問(wèn)答（Question Answering）近年來(lái)受到學(xué)術(shù)界和工業(yè)界的一致關(guān)注和深入研究，各種問(wèn)答數(shù)據(jù)集和方法層出不窮。《智能問(wèn)答》一書(shū)簡(jiǎn)要回顧了該研究領(lǐng)域的發(fā)展歷史和背景知識(shí)，并在此基礎(chǔ)上系統(tǒng)介紹了包括知識(shí)圖譜問(wèn)答、表格問(wèn)答、文本問(wèn)答、社區(qū)問(wèn)答和問(wèn)題生成在內(nèi)的五個(gè)典型的問(wèn)答任務(wù)。

全書(shū)共分為十個(gè)章節(jié)：第一章概述智能問(wèn)答的歷史沿革、任務(wù)分類和問(wèn)答測(cè)評(píng)等基本問(wèn)題；第二章介紹了智能問(wèn)答研究中幾種常用的統(tǒng)計(jì)學(xué)習(xí)和深度學(xué)習(xí)模型；第三章介紹了自然語(yǔ)言處理任務(wù)的基礎(chǔ)——實(shí)體鏈接，并詳細(xì)闡述了長(zhǎng)文本實(shí)體鏈接的典型方法及其在智能問(wèn)答系統(tǒng)中的應(yīng)用；第四章對(duì)智能問(wèn)答最重要的組成部分，自然語(yǔ)言中實(shí)體間的關(guān)系進(jìn)行了講解，并介紹了四種不同的關(guān)系分類方法；第五章至第八章針對(duì)四類不同的智能問(wèn)答任務(wù)，分別介紹了它們不同的解答方法；除此之外，本書(shū)的第九章還介紹了問(wèn)題生成任務(wù)，解釋其如何從數(shù)據(jù)和模型訓(xùn)練兩個(gè)角度進(jìn)一步提升智能問(wèn)答系統(tǒng)的性能；最后，第十章對(duì)全書(shū)內(nèi)容加以總結(jié)。

精彩章節(jié)節(jié)選

3.2.2 基于無(wú)監(jiān)督學(xué)習(xí)的方法

為了減少實(shí)體鏈接系統(tǒng)對(duì)標(biāo)注數(shù)據(jù)的需求，可以將無(wú)監(jiān)督學(xué)習(xí)方法用于候選實(shí)體排序任務(wù)。常用的方法包括基于向量空間模型的方法和基于信息檢索的方法。

基于向量空間模型的方法首先將實(shí)體提及m和m對(duì)應(yīng)的某個(gè)候選實(shí)體e_i分別轉(zhuǎn)化為向量表示。然后，通過(guò)計(jì)算這兩個(gè)向量表示之間的距離對(duì)不同候選實(shí)體進(jìn)行排序。實(shí)體提及和候選實(shí)體的不同向量表示生成方法對(duì)應(yīng)了不同的工作。

基于信息檢索的方法將每個(gè)知識(shí)圖譜實(shí)體對(duì)應(yīng)的維基百科文檔作為該實(shí)體的表示，并基于該類文檔對(duì)全部知識(shí)圖譜實(shí)體建立索引。給定輸入文本中的一個(gè)實(shí)體提及m，該類方法首先從輸入文本中找到包含m的全部句子集合，并通過(guò)去停用詞等過(guò)濾操作生成一個(gè)查詢語(yǔ)句。然后，使用該查詢語(yǔ)句從知識(shí)圖譜實(shí)體對(duì)應(yīng)的索引中查找得到相關(guān)性最高的知識(shí)圖譜實(shí)體，作為m的實(shí)體鏈接結(jié)果。

無(wú)監(jiān)督學(xué)習(xí)方法通常適用于長(zhǎng)文本實(shí)體鏈接任務(wù)，這是由于短文本無(wú)法很好地生成實(shí)體提及對(duì)應(yīng)的向量表示或查詢語(yǔ)句。

5.3 基于答案排序的方法

絕大多數(shù)基于語(yǔ)義分析的知識(shí)圖譜問(wèn)答需要帶有語(yǔ)義標(biāo)注的問(wèn)題集合作為訓(xùn)練數(shù)據(jù)。這類數(shù)據(jù)需要花費(fèi)的時(shí)間和成本很高，而且要求標(biāo)注人員對(duì)語(yǔ)義表示有一定程度的理解。使用答案作為弱監(jiān)督訓(xùn)練語(yǔ)義分析模型，能夠在一定程度上緩解數(shù)據(jù)標(biāo)注難度高、開(kāi)銷(xiāo)大和標(biāo)注量有限等問(wèn)題，但按照答案選擇出來(lái)的正例語(yǔ)義分析候選存在一定的噪音，這在一定程度上也會(huì)對(duì)語(yǔ)義分析模型的質(zhì)量造成影響。

基于答案排序(Answer Ranking)的知識(shí)圖譜問(wèn)答將該任務(wù)看成一個(gè)信息檢索任務(wù)：即給定輸入問(wèn)題Q和知識(shí)圖譜KB，通過(guò)對(duì)KB中實(shí)體進(jìn)行打分和排序，選擇得分最高的實(shí)體或?qū)嶓w集合作為答案輸出。

具體來(lái)說(shuō)，該類知識(shí)圖譜問(wèn)答方法主要包含下述四個(gè)模塊：

1.問(wèn)題實(shí)體識(shí)別。問(wèn)題實(shí)體是指問(wèn)題Q中提到的知識(shí)庫(kù)實(shí)體，例如在Who founded Microsoft這個(gè)問(wèn)題中，Microsoft在知識(shí)圖譜中對(duì)應(yīng)的實(shí)體是該問(wèn)題的問(wèn)題實(shí)體。每個(gè)問(wèn)題可能對(duì)應(yīng)多個(gè)問(wèn)題實(shí)體，該類實(shí)體的識(shí)別通常采用實(shí)體鏈接技術(shù)完成。

2.答案候選檢索。根據(jù)識(shí)別出來(lái)的一個(gè)問(wèn)題實(shí)體，從知識(shí)圖譜中查找與之滿足特定約束條件的知識(shí)庫(kù)實(shí)體集合，作為該問(wèn)題的答案候選。最常用的約束條件是：在知識(shí)圖譜中，與問(wèn)題實(shí)體最多通過(guò)兩個(gè)謂詞相連的知識(shí)庫(kù)實(shí)體。該做法假設(shè)問(wèn)題對(duì)應(yīng)的答案實(shí)體和問(wèn)題實(shí)體在知識(shí)圖譜中的距離通常不會(huì)很遠(yuǎn)。

3.答案候選表示。由于每個(gè)答案候選無(wú)法直接與輸入問(wèn)題進(jìn)行比較，該模塊基于答案候選所在的知識(shí)圖譜上下文，生成答案候選對(duì)應(yīng)的向量表示。這樣，輸入問(wèn)題和答案候選之間的相關(guān)度計(jì)算就轉(zhuǎn)化為輸入問(wèn)題和答案候選對(duì)應(yīng)向量表示之間的相關(guān)度計(jì)算。具體方法的不同主要體現(xiàn)就在如何生成答案的向量表示上。

4.答案候選排序。使用排序模型對(duì)不同答案候選進(jìn)行打分和排序，并返回得分最高的答案候選集合作為輸出結(jié)果。

圖5-5給出基于答案排序的知識(shí)圖譜問(wèn)答方法的工作流程示意圖，按照對(duì)答案候選的不同表示方法，本章將介紹五種具體的方法，包括特征工程方法、問(wèn)題生成方法、子圖匹配方法、向量表示方法和記憶網(wǎng)絡(luò)方法。

圖5-5：基于答案排序的知識(shí)圖譜問(wèn)答流程圖

作者介紹

段楠博士，微軟亞洲研究院自然語(yǔ)言計(jì)算組主管研究員，主要從事包括智能問(wèn)答、語(yǔ)義理解、對(duì)話系統(tǒng)和網(wǎng)絡(luò)搜索等在內(nèi)的自然語(yǔ)言處理基礎(chǔ)研究，在ACL、EMNLP、COLING、AAAI、IJCAI、CVPR、KDD等國(guó)際會(huì)議中發(fā)表論文40余篇，發(fā)明專項(xiàng)6項(xiàng)，其多項(xiàng)研究成果已成功應(yīng)用到微軟核心人工智能產(chǎn)品中，包括必應(yīng)搜索、Cortana語(yǔ)音助手和微軟小冰等。

周明博士，微軟亞洲研究院副院長(zhǎng)，國(guó)際計(jì)算語(yǔ)言學(xué)協(xié)會(huì)（ACL）會(huì)長(zhǎng)，中國(guó)計(jì)算機(jī)學(xué)會(huì)理事、中文信息技術(shù)專委會(huì)主任、中國(guó)中文信息學(xué)會(huì)常務(wù)理事、中國(guó)五所頂尖大學(xué)的博士生導(dǎo)師。周明博士1991年獲哈爾濱工業(yè)大學(xué)博士學(xué)位。1991-1993年清華大學(xué)博士后，隨后留校任副教授。1996-1999訪問(wèn)日本高電社公司領(lǐng)導(dǎo)中日機(jī)器翻譯研究。1999年，周明博士加入微軟亞洲研究院。長(zhǎng)期擔(dān)任微軟亞洲研究院的自然語(yǔ)言處理的負(fù)責(zé)人。他是2018首都勞動(dòng)獎(jiǎng)?wù)芦@得者。

第二本書(shū)：《機(jī)器翻譯》

內(nèi)容簡(jiǎn)介：

《機(jī)器翻譯》一書(shū)以簡(jiǎn)明易懂的語(yǔ)言對(duì)機(jī)器翻譯技術(shù)給予了全面介紹，兼顧經(jīng)典的統(tǒng)計(jì)機(jī)器翻譯以及目前飛速發(fā)展的神經(jīng)機(jī)器翻譯技術(shù)。同時(shí)，此書(shū)注重理論和實(shí)踐結(jié)合。讀者在深入淺出地理解理論體系后，可以借助實(shí)例和本書(shū)所介紹的工具快速入門(mén)，掌握機(jī)器翻譯的訓(xùn)練和解碼的主要技術(shù)。

本書(shū)分為七章：第一章回顧機(jī)器翻譯發(fā)展的歷史并介紹機(jī)器翻譯技術(shù)的各種應(yīng)用；第二章介紹如何獲取用于機(jī)器翻譯模型訓(xùn)練的單語(yǔ)和雙語(yǔ)數(shù)據(jù)的方法以及機(jī)器翻譯自動(dòng)評(píng)價(jià)方法；第三章介紹統(tǒng)計(jì)機(jī)器翻譯系統(tǒng)的基礎(chǔ)架構(gòu)、建模方法和基本模型以及模型的參數(shù)訓(xùn)練方法；第四章介紹典型的統(tǒng)計(jì)機(jī)器翻譯系統(tǒng)模型，包括基于短語(yǔ)的、基于形式文法的和基于句法的統(tǒng)計(jì)機(jī)器翻譯模型系統(tǒng)；第五章介紹深度學(xué)習(xí)的基礎(chǔ)知識(shí)，包括感知機(jī)、詞語(yǔ)嵌入模型、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；第六章系統(tǒng)介紹神經(jīng)機(jī)器翻譯，包括神經(jīng)聯(lián)合模型和基于序列映射的神經(jīng)機(jī)器翻譯模型以及注意力機(jī)制。除此之外，還介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器和解碼器的神經(jīng)機(jī)器翻譯模型以及完全基于注意力網(wǎng)絡(luò)的模型；第七章進(jìn)一步深入討論了神經(jīng)機(jī)器翻譯在模型改進(jìn)、模型訓(xùn)練、翻譯解碼等方面的前沿進(jìn)展。

精彩章節(jié)節(jié)選

6.6 完全基于注意力網(wǎng)絡(luò)的神經(jīng)翻譯模型

在前邊我們提到，注意力網(wǎng)絡(luò)通過(guò)將源語(yǔ)言句子的隱含狀態(tài)和目標(biāo)語(yǔ)言句子的隱含狀態(tài)直接鏈接，從而縮短了源語(yǔ)言詞的信息到生成對(duì)應(yīng)目標(biāo)語(yǔ)言詞的傳遞路徑，顯著得提高了翻譯質(zhì)量。基于循環(huán)神經(jīng)網(wǎng)絡(luò)的編碼器和解碼器，每個(gè)詞的隱含狀態(tài)都依賴于前一個(gè)詞的信息，所以編碼的狀態(tài)是順序生成的。這用編碼的順序生成嚴(yán)重影響了模型的并行能力。

另一方面，盡管基于門(mén)的循環(huán)神經(jīng)單元可以解決梯度消失或者爆炸的問(wèn)題，然而相距太遠(yuǎn)的詞的信息仍然不能保證被考慮進(jìn)來(lái)。盡管卷積神經(jīng)網(wǎng)絡(luò)可以提高并行化的能力，然而只能考慮一定窗口內(nèi)的歷史信息。為了同時(shí)解決這些問(wèn)題，可以將兩個(gè)額外的注意力網(wǎng)絡(luò)引入編碼器和解碼器的內(nèi)部，分別用于解決源語(yǔ)言句子和目標(biāo)語(yǔ)言句子內(nèi)部詞語(yǔ)之間的依賴關(guān)系?；谶@樣的考慮， Vaswani 等人提出了完全基于注意力網(wǎng)絡(luò)的神經(jīng)翻譯模型（Transformer），在本節(jié)中將對(duì)該方法進(jìn)行詳細(xì)的介紹。

6.6.1 基于注意力網(wǎng)絡(luò)的編碼器和解碼器

如圖 6-22 所示，編碼器由 N 個(gè)同構(gòu)的網(wǎng)絡(luò)層堆疊而成，每一個(gè)網(wǎng)絡(luò)層包含兩個(gè)子網(wǎng)絡(luò)層：

第一個(gè)子網(wǎng)絡(luò)層稱為分組自注意力網(wǎng)絡(luò)，用于將同層的源語(yǔ)言句子里的其它詞的信息通過(guò)自注意力網(wǎng)絡(luò)考慮進(jìn)來(lái)以生成當(dāng)前當(dāng)前詞的上下文向量；

第二個(gè)子網(wǎng)絡(luò)層是一個(gè)全聯(lián)通的前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的作用是將自注意力網(wǎng)絡(luò)生成的源語(yǔ)言句子內(nèi)的上下文向量同當(dāng)前詞的信息進(jìn)行整合，從而生成考慮了整個(gè)句子上下文的當(dāng)前時(shí)刻的隱含狀態(tài)。

為提高模型的訓(xùn)練速度，殘差鏈接（Residual Connection）和層規(guī)范化（Layer Normalization）被用于這兩個(gè)子網(wǎng)絡(luò)層，即圖中的 Add&Norm 層，定義為L(zhǎng)ayerNorm(x +SubLayer(x)),其中x為子網(wǎng)絡(luò)的輸入，SubLayer為該子網(wǎng)絡(luò)的處理函數(shù)，LayerNorm為層規(guī)范化函數(shù)。通過(guò)對(duì) N 個(gè)這樣的網(wǎng)絡(luò)層堆疊可以對(duì)信息進(jìn)一步地進(jìn)行抽象和融合。為了引入殘差網(wǎng)絡(luò)，同構(gòu)網(wǎng)絡(luò)中每242個(gè)子網(wǎng)絡(luò)的輸出，以及詞向量和位置編碼（Positional Encoding）都需要保持同樣的長(zhǎng)度。

圖 6-22:完全基于注意力網(wǎng)絡(luò)的神經(jīng)翻譯模型

解碼器同樣包含堆疊的N個(gè)同構(gòu)網(wǎng)絡(luò)層，每個(gè)網(wǎng)絡(luò)層包含三個(gè)子網(wǎng)絡(luò)層：

第一個(gè)子網(wǎng)絡(luò)層同編碼器的第一個(gè)子網(wǎng)絡(luò)層類似，是一個(gè)分組自注意力網(wǎng)絡(luò)，負(fù)責(zé)將同層的目標(biāo)語(yǔ)言句子里的其它詞的信息考慮進(jìn)來(lái)生成一個(gè)目標(biāo)語(yǔ)言句子內(nèi)的上下文向量。不同于編碼器的自注意力網(wǎng)絡(luò)，解碼器在解碼的時(shí)候只能夠看到已經(jīng)生成的詞的信息，對(duì)于未生成的內(nèi)容，可以使用掩碼（mask）機(jī)制將其屏蔽掉。

第二個(gè)子網(wǎng)絡(luò)層為分組的注意力網(wǎng)絡(luò)，該網(wǎng)絡(luò)作用同 6.4 節(jié)中原始的注意力網(wǎng)絡(luò)層類似，負(fù)責(zé)將源語(yǔ)言句子的隱含狀態(tài)同目標(biāo)語(yǔ)言的隱含狀態(tài)進(jìn)行比較生成源語(yǔ)言句子的上下文向量。

第三個(gè)子網(wǎng)絡(luò)層同編碼器的第二個(gè)子網(wǎng)絡(luò)層類似，是一個(gè)全聯(lián)通的前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的作用是將自注意力網(wǎng)絡(luò)生成的目標(biāo)語(yǔ)言句子內(nèi)的上下文向量，注意力網(wǎng)絡(luò)生成的源語(yǔ)言句子的上下文向量，以及當(dāng)前詞的信息進(jìn)行整合，從而更好的預(yù)測(cè)下一個(gè)目標(biāo)語(yǔ)言測(cè)。同編碼器類似，殘差網(wǎng)絡(luò)（Residual Connection）和層規(guī)范化（Layer Normalization）也被用于解碼器的三個(gè)子網(wǎng)絡(luò)層。

作者介紹

李沐博士，曾任微軟亞洲研究院自然語(yǔ)言計(jì)算組資深研究員。研究領(lǐng)域和興趣包括自然語(yǔ)言處理，大規(guī)模數(shù)據(jù)挖掘，深度學(xué)習(xí)，機(jī)器翻譯等。在國(guó)際知名期刊和會(huì)議上發(fā)表論文70余篇，并對(duì)Windows、Office以及必應(yīng)等多項(xiàng)微軟產(chǎn)品做出過(guò)重要貢獻(xiàn)。

劉樹(shù)杰博士，微軟研究院自然語(yǔ)言計(jì)算組主管研究員，主要研究領(lǐng)域?yàn)樽匀徽Z(yǔ)言處理、機(jī)器學(xué)習(xí)、機(jī)器翻譯以及深度神經(jīng)網(wǎng)絡(luò)在自然語(yǔ)言處理中的應(yīng)用等。

張冬冬博士，微軟亞洲研究院自然語(yǔ)言計(jì)算組主管研究員，主要從事機(jī)器翻譯的理論研究與系統(tǒng)開(kāi)發(fā)工作，發(fā)表學(xué)術(shù)論文近50篇，是微軟翻譯、必應(yīng)詞典、Skype Translator等產(chǎn)品的重要貢獻(xiàn)者。

周明博士，微軟亞洲研究院副院長(zhǎng)，國(guó)際計(jì)算語(yǔ)言學(xué)協(xié)會(huì)（ACL）會(huì)長(zhǎng)，中國(guó)計(jì)算機(jī)學(xué)會(huì)理事、中文信息技術(shù)專委會(huì)主任、中國(guó)中文信息學(xué)會(huì)常務(wù)理事、中國(guó)五所頂尖大學(xué)的博士生導(dǎo)師。周明博士1991年獲哈爾濱工業(yè)大學(xué)博士學(xué)位。1991-1993年清華大學(xué)博士后，隨后留校任副教授。1996-1999訪問(wèn)日本高電社公司領(lǐng)導(dǎo)中日機(jī)器翻譯研究。1999年，周明博士加入微軟亞洲研究院。長(zhǎng)期擔(dān)任微軟亞洲研究院的自然語(yǔ)言處理的負(fù)責(zé)人。他是2018首都勞動(dòng)獎(jiǎng)?wù)芦@得者。