劉杰強

摘 要：在信息化時代背景下，特別是分析大數據時代的網絡信息的應用情況的過程中，我們應該重視人工智能、深度學習和網絡信息融合發(fā)展，這樣才有利于推動社會發(fā)展，有利于實現信息化建設的根本目標。

關鍵詞：大數據技術;人工智能;網絡信息;深度學習

在信息化時代背景下，海量數據則是必然的發(fā)展趨勢，在應用大規(guī)模集群的并行計算的背景下，對于如何實現大數據時代背景下網絡數據挖掘效率具有一定的挑戰(zhàn)性。另外，大數據背景下的網絡信息的圖像、影音相關數據分析以及處理水平整體還不高。將AI人工智能技術應用在網絡信息處理方面則也是必然的趨勢，這里重點探討了人工智能技術在大數據背景下的信息處理研究問題。

1大數據時代的網絡信息

1. 1網絡信息

網絡信息則是在網絡環(huán)境下，用戶所表達自身言論以及觀點的內容，其具有互動性強、內容豐富、傳播快速以及具有很強的即時性等特點。隨著移動網絡終端的不斷普及，大數據背景下的互聯網信息具有飛快的傳播速度。在進行信息傳播的過程中，人們能夠充分利用新媒體職工的微信、微博、直播、短視頻以及各種社交平臺的優(yōu)勢，從而能進行數據信息的快速傳播，其具有多樣化的內容，包括文字、圖像以及音視頻等，數據單個價值十分有限，整體價值較高但往往分布較為分散。網絡信息的傳播速度、復雜多樣性以及數據吞吐量都呈現出幾何式的快速變化。

1.2 網絡輿情分析處理技術

在信息化大數據時代背景下，網絡信息分析處理技術則是能有效進行數據分析為決策服務提供幫助，主要涉及到以下方面。一是，熱點發(fā)現技術。這樣能有效針對大量數據話題以及關鍵詞進行辨別，進行相應的新聞、目標話題數量的動態(tài)化統計，并能通過相應的算法來進行預測;二是，信息采集技術，主要是對于數據進行抓取以及清洗，并能結合實際需求來實現精簡數據;三是，熱點評估技術。能結合社會特點問題以及反饋情況，提出評分以及預警方案，從而影響公眾輿論的引導。

2人工智能、深度學習和網絡信息

2. 1人工智能與深度學習

在計算機技術快速發(fā)展的背景下，人工智能則是其重要的分支領域，對于各個方面的發(fā)展都具有重要意義。其中，谷歌圍棋程序AlphaGo則是最具代表性的例子，能輕而易舉地擊敗世界冠軍棋手。這就是人工智能中深度學習的典型應用實例。

人工智能技術的發(fā)展過程中，深度學習則是重要的研究方向，屬于機器學習的重要分支。其主要考慮到來自于人工智能神經網絡方面的內容，通過選擇以及樣本學習，利用有效的算法，借助于內在結構以及表示層次，能有效實現采集信息的特征區(qū)分，從而能實現相應識別規(guī)則要求下，保障機器具有一定的學習能力，有效開展文字、聲音、圖像等數據信息的特征識別。

2. 2深度學習與圖像處理

深度學習則是屬于較為復雜的機器學習算法，特別是在圖像識別領域中具有較為廣泛的應用空間，能保障實現較高準確率的圖像識別要求，有利于解決復雜模式的識別。

從軟件層面來說，圖像識別工作主要分為獲取數據信息、數據預處理、特征選擇及抽取、設計及決策等工作。一般來說，神經網絡圖像識別技術應用較為廣泛，則是結合了神經網絡算法以及圖像識別技術，能有效地進行視覺系統的模擬處理，方可以進一步進行圖像識別，在具體的過程中，當存在著圖像特征和人眼識別記憶及感官判斷的圖像的匹配，則判定為圖像識別成功。具體的識別效果來看，則是可以通過深度神經網絡能實現預期的識別效果，具有較高的準確率，其中微軟的圖像識別引擎具有較低的分類錯誤率，甚至低于人類肉眼辨識的錯誤率。從這個角度來看，機器深度學習在圖像識別效率和精準度則具有較強的優(yōu)勢。

從硬件方面來看，當前已經將CPU （ graphics processing unit）虛擬化應用在人工智能以及數據科學領域中，能夠有效獲得相應的AI、深度學習和數據科學服務器虛擬化等方面的支持。相比而言，這樣能大大提升深度學習的速度，更好地符合人工智能技術的發(fā)展，所涉及到的CUDA （ compute unified device architecture）單元則能更快地進行卷積神經網絡的訓練方面的工作。特別情況下，在進行比較大規(guī)模的數據監(jiān)控識別的工作中，則可以通過增設專業(yè)顯卡就可以實現。在摩爾定律的作用下，硬件性能得到快速提升，這對于深度學習的發(fā)展具有重要的意義。

2. 3 人工智能與網絡信息

深度學習則是在信息化時代背景下的大數據技術下的機器自主學習的情況，能借助于底層組合方式體現出更加直觀的表達。結合深度學習的情況，當存在著特定任務模型深度訓練的問題，系統則自動進行相應的計算單元的增加，意味著相應更多的訓練樣本以及參數確定，這樣能充分利用好大數據技術的優(yōu)勢。另外，在深度學習的過程中，借助于大數據的自主學習工作，能有效實現良好的樣本特征提取，從而滿足圖像識別系統性能得到全方位的提升。深度學習在當前的語音識別、文本分析以及自動駕駛等方面都有著廣泛的應用，相應的內容都是大數據網絡信息的研究范疇。

由此可見，在基于大數據的網絡信息相關的研究工作中，充分發(fā)揮好人工智能的優(yōu)勢，能構建深度學習模型，并合理化選擇相應的優(yōu)化算法，從而滿足實現各種模式的對象及目標的準確化識別，在具體的應用實踐中能實現車輛、物品、人臉、文字等方面的識別，并借助于網絡信息技術進行反饋，從而更好地開展網絡信息的預警服務、實時監(jiān)控。

3 結論

綜上所述，針對大數據網絡信息處理的背景來說，則應充分重視人工智能技術的融入，其中，則應重視相應的頂層設計工作，并搭配到效率的核心算法，并選擇高性能的硬件配置，結合人工智能算法有效地進行大數據信息處理工作，滿足信息化時代背景對于數據網絡信息的監(jiān)管以及引導工作，為社會的進步發(fā)展更好地發(fā)揮信息技術的優(yōu)勢。

參考文獻：

[1] 丁春光， 黃志華， 沈佳塔， 等. 基于大數據與人工智能的元器件數據智慧管理[J]. 電子產品可靠性與環(huán)境試驗， 2020年1期.

[2] 李肯立， 陽王東， 陳岑， 等.? 面向人工智能和大數據的高效能計算[J].? 數據與計算發(fā)展前沿， 2020年1期.

[3] 姜峰.? 探討大數據與人工智能在市政工程建設中的應用與推廣[J]. 寫真地理， 2020年27期.

（英國紐卡斯爾大學? Newcastle University）