這個是去年年底的時候去參加的一次AI峰會上的一些筆記，最近AI又火起來了则奥，炒一下冷飯考润。
未來智媒將以五大模式重構(gòu)媒體生態(tài)
個性化新聞推薦、機器寫作读处、傳感器新聞糊治、臨場化新聞和分布式新聞，將會在新聞的生產(chǎn)速度罚舱、生產(chǎn)方式井辜、個性推薦、用戶消費體驗等方面給整個媒體行業(yè)帶來一場深度的變革管闷。
對于整個資訊/內(nèi)容/新聞的流程都產(chǎn)生影響：
【用戶分析與匹配】 -【 新聞生產(chǎn)】 - 【新聞傳播】 - 【互動反饋】
傳統(tǒng)媒體邊界消失粥脚，從而出現(xiàn)全產(chǎn)業(yè)的變革。
AI在媒體領(lǐng)域的應(yīng)用潛力（楊強包个，2016）
5大領(lǐng)域：新聞編輯室刷允、信息源捕獲、資訊視頻碧囊、智能分發(fā)树灶、資訊服務(wù)
一、AI+新聞編輯室
AI在新聞編輯中的一些應(yīng)用與潛力
1.抽取式新聞寫作應(yīng)用
就是如何把現(xiàn)場的解說或者是采訪音視頻轉(zhuǎn)化成新聞稿糯而。
a) 通過技術(shù)將音視頻轉(zhuǎn)文字的形式來做文字直播
b) 為每一句話提取人工定義的特征
c) 預(yù)測/判斷每句話的重要程度
d) 選取句子并拼接
以現(xiàn)在的商用技術(shù)而言破托，a) 可以實現(xiàn)【今日頭條總結(jié)】中的“機器直接創(chuàng)作”但是也要做一定的品控；b) c) d) 則是為編輯在工作時提供輔助性的服務(wù)歧蒋，提升效率土砂。
2.生成式模式應(yīng)用：自動寫作導(dǎo)語
通過AI的增強學(xué)習(xí)[1]能力（閱讀/訓(xùn)練），來自動寫作文本摘要谜洽。
顧名思義萝映，該項應(yīng)用屬于“機器直接創(chuàng)作”的范疇
3.自動寫作
與第2點中提到的“增強學(xué)習(xí)”結(jié)合，再加上更高（更智能）一級的“遷移學(xué)習(xí)[2]”來達(dá)到自動寫作的能力阐虚。
例如序臂，采用“循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）”+遷移學(xué)習(xí)自動寫小說。假想了一個《笑傲江湖》+《射雕英雄傳》=《笑傲英雄傳》自動寫作的例子。
1和2在目前可實現(xiàn)應(yīng)用的可能性更高一些奥秆。為編輯在整理和撰寫稿件時提供助力逊彭，提升效率。
二构订、AI+信源捕獲
1.生成式模式應(yīng)用 —— 問題生成
基于知識庫生成問題侮叮，幫助/代替記者編寫采訪提綱
實驗室的應(yīng)用
（Serban et al, 2016) 提出了基于知識庫的問題生成算法，通過輸入知識庫中的關(guān)系三元組悼瘾，生產(chǎn)對應(yīng)的問題囊榜。成功構(gòu)造出了3000萬Q&A的數(shù)據(jù)集。
2.傳感器的應(yīng)用
基于數(shù)據(jù)傳感生成的內(nèi)容亥宿、興趣匹配卸勺、報道公眾議題
應(yīng)用一：很多健康類app通過手機作為傳感器，來記錄用戶的行為烫扼，從而生成用戶每天的行為日志曙求。
應(yīng)用二：對于特定領(lǐng)域，例如動物或者地理映企，通過傳感器獲得的數(shù)據(jù)來生成相應(yīng)的內(nèi)容
應(yīng)用三：空氣質(zhì)量逐漸成為公眾關(guān)注的話題悟狱，通過相應(yīng)的傳感裝置來采集數(shù)據(jù)，轉(zhuǎn)化成報道
3.信息源的可視化追蹤：挖掘傳播路勁卑吭、提升社交傳播精準(zhǔn)度
通過信息傳播可視化實現(xiàn)對信息傳播的實時監(jiān)控芽淡，面對不同讀者群可以進(jìn)行不同緯度的文案修改马绝，并實現(xiàn)精準(zhǔn)投放豆赏。
如果對于信息的受眾有比較完整的用戶畫像數(shù)據(jù)，以此為數(shù)據(jù)源來追蹤受眾的渠道和特征富稻，將信息做最大化的利用掷邦。
比如，根據(jù)信息傳播的熱度/范圍/速度椭赋，針對不同地區(qū)/性別/年齡的用戶抚岗，同樣的新聞可以以不同形式自動轉(zhuǎn)化和投放。
三哪怔、AI+資訊視頻
用遷移學(xué)習(xí)來實現(xiàn)：從文字到視頻/視頻到文字宣蔚，從2D視頻到3D視頻
但是這一領(lǐng)域的現(xiàn)實掣肘在于領(lǐng)域跨界人才的短缺。
機器通過深度學(xué)習(xí)將視頻語言轉(zhuǎn)化特征认境，進(jìn)而以文字的形式呈現(xiàn)出來胚委。
對于媒體從業(yè)者而言，這一方向可以幫助編輯尋找高質(zhì)量叉信、滿足個性需求的視頻片段和資源亩冬。
四、AI+智能分發(fā)
人為何看新聞：好奇硼身，但并非漫無目的的好奇
1.【目前】通過歷史閱讀+當(dāng)前閱讀來判斷/推薦“即將閱讀”
e.g. 用戶經(jīng)常閱讀“財經(jīng)"硅急；用戶當(dāng)前關(guān)注美國大選覆享；因此當(dāng)前用戶比較可能關(guān)注的是“特朗普”+“希拉里”+“財經(jīng)”，可以做針對的算法推薦营袜。
2.【未來】通過更精密的模型來精準(zhǔn)把握用戶需求撒顿，準(zhǔn)確預(yù)測用戶喜好
“部分可觀察馬可夫決策過程”：認(rèn)為用戶的興趣僅為“部分可觀察”；用戶興趣會發(fā)生變化
因此连茧，隨著時間的變化核蘸，如何通過雜亂的信號源來攫取/預(yù)測用戶的興趣是未來值得研究的。
五啸驯、AI+資訊服務(wù)
1.AI資訊服務(wù)形態(tài)：人機對話
新一代的交互方式客扎，很大可能是與AI通過對話的方式來進(jìn)行的。
而進(jìn)行這樣優(yōu)秀體驗的人機交互的前提是罚斗，需要機器人進(jìn)行大量的深度閱讀和輿情分析徙鱼。
2.AI資訊服務(wù)技術(shù)
a) 深度神經(jīng)網(wǎng)絡(luò)(DNN)
b) 強化學(xué)習(xí)(RL)
c) 遷移學(xué)習(xí)(TL)
以上三大技術(shù)在現(xiàn)實人機對話這種新一代的交互方式的路徑中必不可少。
-
增強學(xué)習(xí)（Reinforcement Learning ）：從環(huán)境狀態(tài)到行為映射的學(xué)習(xí)针姿，以使系統(tǒng)行為從環(huán)境中獲得的累積獎賞值最大袱吆。該方法不同與監(jiān)督學(xué)習(xí)技術(shù)那樣通過正例、反例來告知采取何種行為距淫，而是通過試錯（trial-and-error）的方法來發(fā)現(xiàn)最優(yōu)行為策略绞绒。 ?
-
遷移學(xué)習(xí)：遷移學(xué)習(xí)可以從現(xiàn)有的數(shù)據(jù)中遷移知識，用來幫助將來的學(xué)習(xí)榕暇。遷移學(xué)習(xí)（Transfer Learning）的目標(biāo)就是將從一個環(huán)境中學(xué)到的知識用來幫助新環(huán)境中的學(xué)習(xí)任務(wù)蓬衡。 ?
