2024智能写作人工智能为媒体内容创作赋能_第1页
2024智能写作人工智能为媒体内容创作赋能_第2页
2024智能写作人工智能为媒体内容创作赋能_第3页
2024智能写作人工智能为媒体内容创作赋能_第4页
2024智能写作人工智能为媒体内容创作赋能_第5页
已阅读5页，还剩10页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

智能写作人工智能为媒体内容创作赋能随着科技的发展，人工智能已经进入到认知阶段，AI不仅仅被认为是一种算法、平台、解知识，所以目前我们仍处在弱人工智能阶段。尽管如此，AI已经展示出其强大的生产力，内容本身的价值（质量、深度等有价值的组织形式（专题、脉络、知识图谱等内容的智能分发（个性化、场景化）首先从微博、feed内容等资源中，通过知识图谱提取、匹配出热点事件与概念，接下来判第三个关键技术是文本生成。文本生成的关键技术主要是自然语言生成（NLG）与知识图GNLUNLGNLP）的两个主要方向。NLG主要包含x2et、datxt、多模到文本三种形式，考虑知识学习方法上来讲，深度学习方向主要包含：eqeq、RL、VE、GN等相关技术，非text2text的形式。首先通过实体图谱、事件图当然基于seq2seq的方法生成高质量的长摘要比较困难，但可以生成短句与标题。也可以seq2seqencoderdecoder两个步骤，贯穿其中的是sequence的表征，学习这种表征的方法我们称之为表表征学习在近几年得到非常快速的演进。比较早期的word2vec模型，它可以有效地计算单词之间的语义相似度，但由于是词袋模型丢失了词的依赖关联关系；CNN建模词的依赖关系，但无法解决长距离依赖问题，应运而生的是RNN模型，以及配套的LSTM、GRU方法。去年一个重大的突破就是ELMo，提出解决一词多义的问题，突破了word2vecembeddingRNN各种基于RNN的改进方案均无法表现出类似于人类的注意力感知机制，后续就诞生了seq2seq+attentionpointernetworkloss上对重复出现的词进行打压，取的文本组织形式学习，通过bootstrap算法自动生成相关的模板，再加以人工修正与设置目前自动写作秒级生成文章，中长尾内容占比提升2倍以上，累计发文量百万量级，累计辅助写作应用效果，在话题推荐上，基于全网挖掘行业热点，每天发现

人人文库> 全部分类> 专业文献 > IT计算机

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论