<mark id="oztn4"></mark>
0
| 本文作者： 李詩 | 2017-07-10 14:59 | 專題：GAIR 2017 |
人工智能的發(fā)展將會取代人類的哪些工作一直都是備受關(guān)注的話題，而我們一直都認為人的思考能力是我們最后的堡壘。正如帕斯卡爾所說， “人只不過是一根會思考的蘆葦”，我們是自然界最脆弱的生物，卻因為思考變得無比強大。
演講、寫作是我們思考能力的直接表現(xiàn)，赫拉利在《人類簡史》中說道，講故事的能力讓智人種變得和其他原始人和動物不一樣。要是機器也能表達，也能寫作也能講故事來創(chuàng)造自己的文化，人何以與之對抗呢？
在由中國計算機學(xué)會（CCF）主辦、雷鋒網(wǎng)與香港中文大學(xué)（深圳）全程承辦的AI盛會「全球人工智能與機器人峰會」的AI+分會場上，北京大學(xué)計算機科學(xué)技術(shù)研究所研究員萬小軍做了《機器寫稿的技術(shù)與應(yīng)用》的演講報告。以下內(nèi)容由雷鋒網(wǎng)整理自萬小軍在會上的演講實錄。
機器寫稿背景與現(xiàn)狀
早在幾年前，國外就已經(jīng)有機器人寫稿，最具代表性的是來自美國、歐洲的三家公司：ARRIA、AI、NARRATIVE SCIENCE。據(jù)說他們的機器人采用英語或者西方語言為著名的媒體網(wǎng)站寫了數(shù)千萬篇稿件。
國內(nèi)的寫稿機器人在這幾年才開始慢慢受到大家的關(guān)注。有很多的媒體單位在和一些學(xué)術(shù)機構(gòu)進行合作，推出寫稿機器人。另外微軟、百度、騰訊、今日頭條這樣互聯(lián)網(wǎng)巨頭也在研發(fā)機器寫稿技術(shù)，因為它自己需要做一些內(nèi)容的創(chuàng)作。主要是側(cè)重在體育、財經(jīng)、民生領(lǐng)域，一般政治類的涉及的比較少。涉及到政治稿件如果犯錯的話，問題就比較大，所以主要還是在一些不太容易出問題的領(lǐng)域?qū)懜濉?/p>
機器人寫稿的模式與技術(shù)
機器寫稿有兩種方式，一種是原創(chuàng)，一種是二次創(chuàng)作。原創(chuàng)一般是之前沒有稿件，只有結(jié)構(gòu)化的數(shù)據(jù)，我們可以借助結(jié)構(gòu)化的數(shù)據(jù)去生成新的稿件。比如說我們寫一個天氣預(yù)報的報道，或者寫一個年報、財報都直接可以從數(shù)據(jù)中生成。而關(guān)于一個已經(jīng)有相關(guān)報道的事件，我們借助這些報道進行一些拼湊、改寫成為新的稿件，這就是二次創(chuàng)作。
原創(chuàng)和二次創(chuàng)作所依賴的技術(shù)也是不太一樣的。原創(chuàng)采用的是自然語言生成技術(shù)，是從結(jié)構(gòu)化數(shù)據(jù)/意義表達生成自然語言語句。二次創(chuàng)作采用的是自動摘要技術(shù)，我們從已有的文字素材去給它摘要，把它生成一個新的稿件。這是兩類非常關(guān)鍵的技術(shù)。
還有其它的一些相關(guān)技術(shù)：文本信息推薦技術(shù)和文本復(fù)述技術(shù)。比如說我們在寫一個稿件的時候，有時候會想引用一句名人的話或者引用一個唐詩宋詞，機器會自動給你推薦。第二個是文本復(fù)述技術(shù)，我們基于一個個稿件做創(chuàng)作的時候，如果我們直接把原文原始的內(nèi)容拷貝過來，這個有點抄襲的嫌疑。所以這時候我們就需要做一些復(fù)述，會用不同的語言去表達同樣的語義。這里有一個例子是說“梅西獲得了5座金球獎”，你可以改為“梅西是五屆金球獎得主”，也可以改寫為“金球獎5次頒給了梅西”，這樣就可以避免版權(quán)的問題，也可以讓我們的改寫更加生動。
機器人寫稿應(yīng)用廣泛
機器人寫稿的應(yīng)用十分廣泛。首先是新聞資訊的自動生成。我們輸入結(jié)構(gòu)化的數(shù)據(jù)，以及已經(jīng)有的稿件，可以生成長度可控的幾十個字到幾千字的稿件。例如，一個體育的簡訊的生成需要我們從網(wǎng)上抓取關(guān)于體育賽事的一些基本的數(shù)據(jù)，借助這個數(shù)據(jù)做一些數(shù)據(jù)分析，文檔規(guī)劃、語句的實現(xiàn)，就可以生成右邊的這樣一個比較簡單的體育的賽事報道。
另一個是體育賽事的長篇報道的自動生成。簡訊包含的信息量很少，我們想生成一個長篇的報道來介紹整個比賽的過程。我們經(jīng)常發(fā)現(xiàn)著名的體育比賽下面都有文字直播，通常包含主持人對這樣一個比賽的精彩細節(jié)的描述，我們通過機器學(xué)習(xí)的手段，能夠把這些精彩的描述挑選出來，放到我們最終的報道中，這個報道就寫得比較長，可以達到上千字以上。首先借助機器學(xué)習(xí)的手段，對直播文字進行語句的智能排序，再進行智能選擇，最后生成一個平均長度超過1000字的賽事的報道。我們看到直播文字一般會達到數(shù)千字，一般是5000字以上，所以要從5000字中選擇和拼湊出1000字以上的長篇報道。
還有一個是娛樂新聞的自動生成，娛樂新聞有很多不同的生成方式。比如說你可以根據(jù)明星的數(shù)據(jù)庫，直接對這個明星做一個簡單的描述。我們做的是可以借助明星的微博生成娛樂新聞。明星通常會發(fā)一些微博，有些微博會吸引大家的眼球，構(gòu)成熱新聞。我們有一個機器學(xué)習(xí)的手段，能自動判別明星發(fā)的哪一條微博具有新聞價值，再判斷這個微博下面的哪些評論，具有新聞價值。把這個微博和它的評論以及相關(guān)的背景信息組合在一塊，就可以形成一個比較短的新聞。
我們也做了新聞綜述的自動生成的嘗試。我們對于某一個事件已經(jīng)有比較多的新聞報道，需要思考怎樣基于這些報道去自動生成一個篇幅較長的事件的綜述。我們所使用的對象是用Wikinews，它的內(nèi)容基本都是比較客觀、比較中立的綜述。它會對已有的報道做一些分析，做一些無偏袒的綜合，然后得到一篇長的綜述。我們拿這樣的數(shù)據(jù)做了一個實驗，去做一些語句的篩選和組合。因為要構(gòu)成一個綜述，所以不是以句子為單位，而是以一個子話題為單位。我們首先劃分子話題，每個話題對應(yīng)一個段落。然后對它進行一個重要性的排序，最后做一個段落的選擇，也就是子話題的選擇并且把相關(guān)的子話題合并，得到一個更完備的子話題最終形成完整的事件的綜述。
除了生成事實型的新聞之外，我們也嘗試讓機器人去生成用戶的評論。我們輸入對于產(chǎn)品的某一個特征或者某幾個特征上的評分，比如我輸入給這個軟件的是我對這個汽車的操控性是5分評價，對它的外觀是3分評價，根據(jù)這個評價會自動生成一個自然語言的評論。我們采用的是一個深度學(xué)習(xí)的模型，右邊是這樣一個模型的架構(gòu)。我們提前可以看我們最終生成的這樣一個例子。
這個汽車有空間、動力、控制等等一系列的特征，用戶要做的就是針對每個特征輸入一個分數(shù)值，這個分數(shù)值越高代表你越滿意，分數(shù)值越低就越不滿意。我們看到這個例子，比如我們輸入的空間是3分，動力是4分，舒適性是3分，3分代表一般，我們看到右側(cè)生成的中文的評論，得到的表達是“舒適性一般，畢竟是運動型的車”，它很準確的對這個分數(shù)進行了描述。然后把舒適性從3分改成5分，5分是非常滿意，最終生成的對應(yīng)的文字的部分就是“舒適性很好，座椅的包裹性很好，坐著很舒服”。我們的模型能夠很好將這個分數(shù)的細微改動直接反應(yīng)到最終的自然語言的結(jié)果上。能夠根據(jù)用戶對我們的產(chǎn)品的特征的分數(shù)的輸入，自動生成一個比較完整的一大段的用戶的評論。這是基于深度學(xué)習(xí)模型來做的。
寫稿機器人小明小南和阿同
我們目前有三個合作的機器人寫稿項目，一個是今日頭條的“Xiaomingbot”小明機器人，南方都市報的“小南”，廣州日報的“阿同”機器人。小明主要服務(wù)于奧運會，小南、阿同當時是給2017年的全國兩會做了一些報道的工作。
跟今日頭條合作推出的小明寫稿機器人，主要是針對體育賽事進行賽事的簡訊和長篇報道的生成，既可以生成幾十字的短訊，又可以生成上千字的長篇報道，它包括足球聯(lián)賽，也包括NBA的比賽，在奧運會期間寫了456篇，單篇最高的閱讀量是11萬次。到上個月底，共撰寫新聞5000多篇，總計閱讀量1800萬次，這是因為今日頭條的用戶量很多，所以閱讀量也是很多的。
這是Xiaomingbot頭條號的界面。這個歐冠決賽，尤文圖斯以1：4完敗皇家馬德里的比賽的結(jié)果的新聞是完全靠機器寫出來的，這個稿件的文字很長，有1121個漢字，它比較準確地把這個比賽的主要信息都做了一個描述，還是比較完整的一篇新聞報道。
小南寫稿機器人現(xiàn)在是在南方都市報的APP上撰寫一些民生新聞，去年年底做過春運火車票的新聞撰寫，側(cè)重廣州到其它大城市的新聞，最近寫的是天氣預(yù)報的新聞，在兩會期間還寫過兩會的小南讀報的新聞。
小南寫的春運火車票的新聞中采用了不少賣萌的句子。當然這也是把我們的新聞記者的語言表達做了很好的總結(jié)，最后使我們的機器人也能這樣表達出來。 最近小南機器人也做了一些天氣預(yù)報的寫作。小南讀報主要是在兩會期間統(tǒng)計南方都市報跟兩會相關(guān)報道都分別屬于哪些領(lǐng)域，做了一個統(tǒng)計和盤點，然后把這個盤點的結(jié)果用自然語言的形式表達出來。另外對其中一些爆款的新聞做了摘要和總結(jié)，也放在這個稿件中，所以這個稿件的信息量是比較豐富的，對多篇新聞進行了盤點。
阿同主要是在兩會期間做了一些工作，主要是對政府的工作報告做一些熱詞和關(guān)鍵數(shù)據(jù)的解讀，解讀完了之后進行自然語言的表達。這是阿同對政協(xié)工作報告做一個熱詞的分析，今年的政協(xié)工作報告有哪些熱詞，這些熱詞跟去年相比有哪些變化，把這個變化的情況用自然語言表述，最終形成在報紙上印出來的報道。因為廣州日報要在報紙上印出來，所以對錯誤是零容忍，所以必須經(jīng)過人工的審核。
傳統(tǒng)媒體VS新媒體
對于不同的應(yīng)用單位，對稿件的質(zhì)量要求是不一樣的，對于一些傳統(tǒng)的媒體單位，它對稿件的錯誤是零容忍。要發(fā)布到報紙上需要通過人工的審核，而一些自媒體可能就直接發(fā)在網(wǎng)上，個別的錯別字或者個別的語句不通順不影響網(wǎng)友的閱讀，網(wǎng)友可能在下面寫一個評論，說這個稿件怎么還有錯別字，但是這個也不影響網(wǎng)友的閱讀和點擊。所以自媒體對稿件的質(zhì)量容忍度比較高一點。所在兩種不同的場合下應(yīng)用的要求是不太一樣的，所以我們在機器寫稿發(fā)稿的時候也會有所不同。
機器人VS記者
目前為止，機器人跟記者之間的關(guān)系是一種分工協(xié)作的關(guān)系。機器人現(xiàn)在不具有邏輯思維的能力，也不具有深度總結(jié)的能力，它只能去把一個基本的新聞事實描述清楚，但是我們記者就可以寫深度報道，比如說中國足球，他可以經(jīng)過自己的分析，寫中國足球這幾十年來落后的原因，它可以總結(jié)出幾條觀點，但是機器人總結(jié)就很難了，所以我們的記者應(yīng)該是從事有創(chuàng)造性的、高智商的稿件的創(chuàng)作，而把一些重復(fù)的、低層次的稿件創(chuàng)作的活動交給機器人完成，所以是一種分工協(xié)作的關(guān)系。
另外一個不同點就是，記者在寫一個稿件的時候，他是很清楚地知道我在寫什么，他知道自己要表達的語義。但實際上機器人在寫這個稿件的時候，雖然他把每一個句子都寫出來了，但實際上他不知道自己要寫什么，這是最大的一個不同，就是說它沒有理解自己的稿件，雖然它寫出來了，包括機器人寫詩，或者寫各種歌詞的時候，它也把那個語言寫出來了，但是它并沒有真正理解那個語言，所以這是一個比較大的不同。
最后是一個未來的展望。我們看到現(xiàn)在機器寫稿不光是在媒體行業(yè)，我們現(xiàn)在也在跟一些游戲行業(yè)和情報行業(yè)合作，他們也有機器寫稿的需求，只要什么時候你需要寫這樣一些報告，比如寫一些行業(yè)報告，或者寫一些稿件，都可能會利用到機器寫稿的技術(shù)，不光是媒體行業(yè)寫新聞會用到，其它的行業(yè)也會用到。
第二個方向，我們現(xiàn)在寫的稿件還主要側(cè)重對客觀事實的描寫，還沒有加入太多的態(tài)度和立場，因此顯得人性化方面不太理想，下一步會讓我們的稿件自己具有一定的立場，比如我們在報道中國隊對韓國隊的比賽的時候，我們?nèi)绻驹陧n國隊的立場，如果中國隊輸了的話，我們就應(yīng)該是很高興的，標題可能會說“韓國隊大勝中國隊”，如果是站在中國隊的立場，可能標題寫會“中國隊憾負韓國隊”，這個立場就不一樣，我們的稿件具有這樣的態(tài)度和立場，它就會更加人性化。
第三點也是最難的一點，就是讓機器學(xué)會推理和歸納，寫出真正的深度報道。比如說我們報道一場足球比賽以后，我們要分析一下為什么是這樣的結(jié)果，把這個原因進行推理總結(jié)出來。這樣的報道就是真正的智能的，像之前寫的稿件是一個弱人工智能時代，如果我們要寫一個強人工智能的稿件，就必須讓機器具有這樣的態(tài)度和立場，也具有這樣的推理、歸納能力，這是下一步要研究的目標，也是有可能去實現(xiàn)的一些目標。尤其是具有態(tài)度和立場，我覺得應(yīng)該在未來兩三年是可以去實現(xiàn)的。然后推理跟歸納，可能兩三年的時間都不一定夠，我覺得需要更長的時間才有可能取得一些突破。
（萬小軍老師的演講很細膩精彩，會后雷鋒網(wǎng)對萬小軍老師進行了專訪，更多關(guān)于寫稿機器人的問題的探討請點擊：《專訪北大計算機所萬小軍：寫稿機器人是新媒體時代的產(chǎn)物| CCF-GAIR 2017》）
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
