Andrew McCallum是马萨诸塞大学阿默斯特分校的计算机科学教授，领导该校智能信息检索中心（CIIR）。他的研究聚焦于机器学习、自然语言处理（NLP）和信息抽取，特别强调概率图模型及其在文本和网络数据中的应用。McCallum在条件随机场、半监督学习和术语抽取等领域做出了有影响力的贡献，并帮助塑造了机器学习与语言理解在现代的交汇点。
McCallum出生于1960年代初，1985年获得欧柏林学院计算机科学学士学位。随后，他于1988年和1995年分别从多伦多大学获得计算机科学硕士和博士学位。在David H. D. Warren的指导下攻读博士期间，他探索了从自然语言数据中进行解析和学习的有效方法。毕业后，他在卡内基梅隆大学计算机科学学院做了两年博士后研究员，期间使用统计模型从事文本分类和信息抽取工作。
学术生涯与研究贡献
McCallum于1996年加入麻省理工学院计算机科学与人工智能实验室担任研究科学家，一直工作到1999年。在MIT，他开发了Rainbows文本分类系统，该系统推广了朴素贝叶斯分类器在邮件和文档过滤中的应用，并探索了跨领域和半监督学习方法。1999年，他成为宾夕法尼亚州匹兹堡市独立研究实验室的高级研究科学家，该实验室后来被称为神经基础认知中心，并开始与施乐帕洛阿尔托研究中心合作，从科学文献中进行信息抽取。
2004年，McCallum以副教授身份加入马萨诸塞大学阿默斯特分校，自2007年起担任正教授。在UMass，他创立了信息抽取与综合实验室（IESL），并担任了多个由美国国家科学基金会、DARPA和私人基金会资助项目的主要研究者。他在UMass的早期工作引入了“条件随机场”（CRFs）的概念，该概念由他与John Lafferty和Fernando Pereira于2001年共同发明。CRFs成为序列标注任务（如命名实体识别和词性标注）的基础技术，并广泛用于现代NLP流水线。
关键算法与模型
McCallum开发了CRF之外的多种有影响力的算法。他在半监督学习方面的研究，包括“带标注数据的期望最大化”和基于图的方法，帮助确立了利用未标注数据提升模型性能的技术。他还研究了层次主题模型，如用于多标签分类的“狄利克雷过程混合”和“类Machado”模型，以及使用变分方法进行图模型的可扩展推理。在2010年代，他的团队探索了用于信息抽取的深度学习方法，包括应用于引文解析和实体解析的卷积和循环架构。一个显著贡献是通过神经嵌入学习的“词表示”，McCallum与word2vec并行研究了这一方向，以及他用于关系抽取的“远程监督”工作，该方法利用现有知识库自动标注训练数据以进行关系分类。
NLP领域的领导力与开放数据
McCallum一直是NLP领域数据共享和可复现性的杰出组织者和倡导者。他是信息抽取与综合实验室“发布数据”倡议的联合创始人，该倡议向研究社区提供了大规模基准数据集，包括“简·奥斯汀语料库”和用于引文抽取的“PubMed”数据集。他曾担任NeurIPS（当时为NIPS）、ICML和计算语言学协会（ACL）等主要会议的程序委员会委员，并曾是美国人工智能协会（AAAI）理事会成员。2019年，他共同组织了NeurIPS的深度学习用于NLP研讨会，并指导了一代学生，他们后来在OpenAI、Google DeepMind和Anthropic任职。
近期工作与合作
近年来，McCallum的研究已扩展到多模态和生物医学应用。他与马萨诸塞大学医学院和布罗德研究所的同事合作，构建了用于临床笔记和基因组文献的信息抽取工具，包括用于从电子健康记录中进行表型分析的Lympo系统。他还担任多家AI初创公司的顾问，并积极参与关于算法透明度和公平性的政策讨论。截至2024年，McCallum继续教授机器学习和NLP课程，指导博士生，并领导多模态学习用于科学与临床文本（MLSciNet）项目，该项目将大型语言模型应用于科学发现任务。他的工作获得了ACM SIGKDD时间检验奖（分别于2017年、2003年，针对2005年关于“级联分类器”的论文和2001年的CRF论文），并且他是AAAI和ACL的会士。