張路 吳正威
摘 要:為了提高富媒體聚合過(guò)程的資源利用效率,特別是針對(duì)資料標(biāo)簽化工作量龐大的問(wèn)題,運(yùn)用語(yǔ)義分析與圖片識(shí)別等一系列人工智能技術(shù),對(duì)富媒體生產(chǎn)制作流程進(jìn)行改進(jìn),可將資源標(biāo)簽化效率提高80%以上,為產(chǎn)出高質(zhì)量的富媒體資源提供強(qiáng)大的技術(shù)支持。
關(guān)鍵詞:富媒體聚合;人工智能;標(biāo)簽
DOI:10. 11907/rjdk. 192231 開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):
中圖分類(lèi)號(hào):TP301文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2020)007-0046-04
Research on the Application of AI in the Process of Rich Media Aggregation
ZHANG Lu1,2,WU Zheng-wei3
(1.Central Propaganda Department Organ Service Center, Beijing 100052,China;2. School of Software,Beijing Jiaotong University, Beijing 100044,China;3.Jiangsu Ruitai Digital Media Co., Ltd., Wuxi 214072,China)
Abstract:In order to improve the efficiency of resource utilization in the process of rich media aggregation, especially in view of the huge amount of data tagging, a series of artificial intelligence technologies such as semantic analysis and image recognition are used to improve the production process of rich media, which can increase the efficiency of resource tagging by more than 80%, and provide strong technical support for the production of high-quality rich media resources.
Key Words: rich media aggregation; artificial intelligence; tag
0 引言
在短短20年間,信息技術(shù)的發(fā)展一日千里。隨著計(jì)算機(jī)存儲(chǔ)容量和網(wǎng)絡(luò)速度的不斷提高,每時(shí)每刻都會(huì)產(chǎn)生海量的多媒體數(shù)據(jù)。同時(shí),隨著交互技術(shù)的發(fā)展,除傳統(tǒng)的鼠標(biāo)鍵盤(pán)輸入方式外,觸屏交互方式顛覆了以往PC時(shí)代的人機(jī)交互界面,媒體交互也呈現(xiàn)出更為豐富的形式。
與此同時(shí),出現(xiàn)了一種新的媒體呈現(xiàn)形態(tài),通常被稱(chēng)為富媒體[1],即融合了文字、圖片、音頻、視頻等,既包含媒體內(nèi)容,又具備交互功能的一種媒體聚合形態(tài)。
聚合后的富媒體內(nèi)容能更好地凸顯與表現(xiàn)內(nèi)容主題,因此深受人們喜愛(ài)。但同時(shí)也可以看到,在富媒體的生產(chǎn)制作環(huán)節(jié),編輯們?cè)诤A康拿襟w資源面前,往往需要耗費(fèi)大量精力對(duì)媒體資源進(jìn)行整合。富媒體聚合面臨多種問(wèn)題亟待解決,這也成為當(dāng)下富媒體應(yīng)用的主要瓶頸。人工智能技術(shù)的蓬勃發(fā)展,為解決這些問(wèn)題提供了很好的技術(shù)基礎(chǔ),將對(duì)富媒體的進(jìn)一步發(fā)展起著重要的推動(dòng)作用。
結(jié)合人工智能發(fā)展趨勢(shì)[3-4],針對(duì)不同媒體資源,可以采取不同智能手段提升工作效率。針對(duì)文本,主要結(jié)合語(yǔ)義分析技術(shù)[8]對(duì)文本進(jìn)行再加工;針對(duì)圖片,主要采用圖像識(shí)別的方式[11-12,20]提升工作效率。
本文將對(duì)富媒體制作流程進(jìn)行梳理,同時(shí)在文本及圖片應(yīng)用場(chǎng)景下,對(duì)采用傳統(tǒng)工作方式與人工智能技術(shù)后的工作效率進(jìn)行對(duì)比分析,以體現(xiàn)運(yùn)用人工智能技術(shù)的優(yōu)勢(shì),并為富媒體未來(lái)的發(fā)展提出建議。
1 人工智能
1.1 人工智能定義
人工智能(Artificial Intelligence,AI)是研究、開(kāi)發(fā)用于模擬、延伸與擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新興技術(shù)科學(xué),研究范圍包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等。
1.2 人工智能發(fā)展
人工智能技術(shù)涉及學(xué)科較多,發(fā)展歷程相對(duì)緩慢。由圖1可以看出,在上世紀(jì)初期,人工智能的研究開(kāi)始興起,并從初級(jí)的手工知識(shí)階段逐步過(guò)渡到統(tǒng)計(jì)學(xué)習(xí)階段。到本世紀(jì)初,隨著計(jì)算與存儲(chǔ)技術(shù)的發(fā)展,大數(shù)據(jù)技術(shù)也日趨成熟,統(tǒng)計(jì)分析效率得到成倍提升,從而使人工智能技術(shù)也得到了飛速發(fā)展。伴隨著深度學(xué)習(xí)的運(yùn)用,目前已逐步邁入第三階段的語(yǔ)境順應(yīng)階段。
1.3 媒體技術(shù)中的人工智能
在媒體技術(shù)領(lǐng)域主要涉及機(jī)器視覺(jué)、語(yǔ)言與圖像理解、自動(dòng)規(guī)劃、智能搜索、語(yǔ)音識(shí)別、語(yǔ)音合成等方面的人工智能應(yīng)用。
富媒體制作是在獲得各類(lèi)媒體資源后進(jìn)行聚合加工創(chuàng)作,之后再進(jìn)行發(fā)布的過(guò)程。針對(duì)媒體聚合過(guò)程效率較低的問(wèn)題,如何更高效地進(jìn)行富媒體內(nèi)容聚合,成為媒體人關(guān)注的首要問(wèn)題。因此,可考慮通過(guò)引入人工智能技術(shù)以解決目前遇到的一些問(wèn)題。
2 需求分析
如何對(duì)海量媒體資源進(jìn)行有效的管理與應(yīng)用,已成為影響日常富媒體制作效率的關(guān)鍵問(wèn)題。針對(duì)不同媒體類(lèi)型,有著不同的使用需求,以下將依次進(jìn)行分析。
2.1 文本應(yīng)用
文本內(nèi)容屬于最常見(jiàn)的內(nèi)容載體,基于其自身特點(diǎn),通常需要進(jìn)行存儲(chǔ)與檢索。在檢索過(guò)程中,用戶(hù)會(huì)希望檢索到更符合需要的文字,這種需求又可分為精確需求與關(guān)聯(lián)需求,即推薦。常規(guī)或傳統(tǒng)文件工具是以關(guān)系型數(shù)據(jù)庫(kù)為基礎(chǔ)的平臺(tái),由于缺乏分詞能力,往往會(huì)檢索出很多無(wú)效數(shù)據(jù),從而導(dǎo)致制作效率低下。
同時(shí),作為出版內(nèi)容,敏感詞審核也非常重要,但目前大量?jī)?nèi)容仍需要依靠編輯進(jìn)行人工審核,工作量巨大,且效率不高。
另外,文本與音視頻之間有著間接的耦合關(guān)系,特別對(duì)于兒童群體,由于認(rèn)知的限制,無(wú)法有效進(jìn)行閱讀。如果能將文本轉(zhuǎn)換為語(yǔ)音形式,則能讓該群體接觸到更多內(nèi)容。但受限于人工配音的高昂成本,以及音色及場(chǎng)景的復(fù)雜性,傳統(tǒng)方式無(wú)法實(shí)現(xiàn)規(guī)?;?/p>
2.2 圖片應(yīng)用
在圖片領(lǐng)域,涉及到對(duì)圖片的鑒別,即確認(rèn)圖片來(lái)源的合法性與可用性。在版權(quán)意識(shí)逐漸強(qiáng)化的大背景下,判斷素材資源是否涉及侵權(quán),是否存在如色情/涉政等非法內(nèi)容,也需要在使用圖片前進(jìn)行鑒別。同時(shí),對(duì)圖片中文字合法性的審查也是十分必要的。
圖像識(shí)別結(jié)果主要體現(xiàn)為標(biāo)簽化,即通過(guò)編輯的查看對(duì)圖片進(jìn)行標(biāo)簽化管理的過(guò)程,標(biāo)簽化主要為了便于在后期應(yīng)用過(guò)程中快速找到相應(yīng)內(nèi)容。人工方式同樣存在效率低下的問(wèn)題,比如在出現(xiàn)新的標(biāo)簽需求后,編輯需要重新對(duì)圖片進(jìn)行查閱,從而確認(rèn)是否需要重新進(jìn)行標(biāo)簽化,這一過(guò)程費(fèi)時(shí)又費(fèi)力。
2.3 音頻應(yīng)用
音頻由于不可見(jiàn),在應(yīng)用過(guò)程中通常難以進(jìn)行標(biāo)簽化處理。針對(duì)音頻的標(biāo)簽化,一方面可對(duì)音頻中包含的歌詞內(nèi)容進(jìn)行分析與處理,形成標(biāo)簽;另一方面可針對(duì)音樂(lè)場(chǎng)景或情感制作分類(lèi)標(biāo)簽,這類(lèi)標(biāo)簽則更為復(fù)雜,同時(shí)依賴(lài)于個(gè)人的欣賞水平與音樂(lè)素養(yǎng)。對(duì)歌詞內(nèi)容的解析,需要事先將音頻中的語(yǔ)音識(shí)別為文字,因此可運(yùn)用語(yǔ)音識(shí)別技術(shù),提取其中的語(yǔ)音信息轉(zhuǎn)換為所需的文本內(nèi)容。
2.4 視頻應(yīng)用
視頻可認(rèn)為是圖像與音頻的集合,同樣需要對(duì)視頻內(nèi)容進(jìn)行審查與標(biāo)簽化,而這一過(guò)程同樣是耗時(shí)又耗力的,往往很難快速形成大量標(biāo)注后的視頻,因此也無(wú)法有效應(yīng)用于實(shí)際需求中。
綜上所述,在目前的富媒體制作過(guò)程中,需要對(duì)收集的媒體資源進(jìn)行大量復(fù)雜的標(biāo)簽化工作。若缺乏有效標(biāo)注,在選擇素材時(shí),檢索或推薦素材的匹配度則會(huì)較低,需要更多人工介入。因此,本文考慮運(yùn)用人工智能技術(shù)提高相關(guān)工作效率,從而進(jìn)一步提升富媒體制作效率。
3 人工智能富媒體聚合平臺(tái)設(shè)計(jì)
富媒體工具本身是基于對(duì)媒體資源的整合,而這些媒體資源往往是由后端平臺(tái)承載的。本文構(gòu)建一個(gè)智能化平臺(tái)與富媒體工具進(jìn)行無(wú)縫對(duì)接,在整個(gè)富媒體加工過(guò)程中充分運(yùn)用AI技術(shù)。富媒體聚合平臺(tái)如圖2所示。
從媒體資源輸入到媒體聚合后輸出,通過(guò)集成人工智能技術(shù),可提升整體工作效率。對(duì)于各類(lèi)可文本化的資源進(jìn)行語(yǔ)義化識(shí)別,之后進(jìn)行相應(yīng)標(biāo)簽化;對(duì)于不同場(chǎng)景,通過(guò)深度學(xué)習(xí)不斷提高輸入端處理能力。在制作富媒體資源時(shí),系統(tǒng)可結(jié)合用戶(hù)行為特征與主題內(nèi)容特征進(jìn)行精確查找與關(guān)聯(lián)推薦,為用戶(hù)提供高效的素材資源服務(wù),從而加快富媒體資源聚合進(jìn)程,高效、便捷地進(jìn)行富媒體資源生產(chǎn)與輸出。
4 人工智能技術(shù)應(yīng)用
面對(duì)編輯不斷提高的制作標(biāo)準(zhǔn),本文考慮在不同領(lǐng)域應(yīng)用不同的AI技術(shù)以解決目前所遇到的問(wèn)題。
4.1 文本領(lǐng)域應(yīng)用
文字存儲(chǔ)與檢索應(yīng)用是數(shù)據(jù)庫(kù)技術(shù)時(shí)代的基本應(yīng)用,而在人工智能時(shí)代,單純的文字檢索已遠(yuǎn)遠(yuǎn)不能滿(mǎn)足人們的應(yīng)用需求。因此,通過(guò)智能的語(yǔ)義分析技術(shù)(NLP),可按照更符合人類(lèi)日常的語(yǔ)言交流習(xí)慣,對(duì)被檢索的文本對(duì)象進(jìn)行標(biāo)識(shí),從而避免檢索時(shí)出現(xiàn)詞同義不達(dá)的情況。基于語(yǔ)義的分析,一方面可形成更精確的標(biāo)簽,另一方面可大大提高對(duì)敏感詞的識(shí)別準(zhǔn)確率,以避免過(guò)度過(guò)濾。結(jié)合行業(yè)、場(chǎng)景、業(yè)務(wù)等不同維度,可使各類(lèi)文本標(biāo)簽形成相互關(guān)聯(lián)、相互影響的標(biāo)簽網(wǎng)絡(luò)體系,從而更好地理解用戶(hù)檢索需求。
另外,文字通過(guò)結(jié)合語(yǔ)音合成技術(shù),可實(shí)現(xiàn)音頻的快速輸出,從而降低特殊人群獲取文本內(nèi)容時(shí)的門(mén)檻。更進(jìn)一步,在獲取用戶(hù)屬性信息的情況下,可結(jié)合不同語(yǔ)音角色進(jìn)行針對(duì)性選擇后再輸出,如兒童可以使用卡通類(lèi)配音,小學(xué)生可以使用青少年配音等,從而大大提升富媒體的表現(xiàn)力,使媒體內(nèi)容更為豐富多彩,能更好地吸引用戶(hù)注意力。
針對(duì)文本領(lǐng)域的應(yīng)用,以下通過(guò)實(shí)驗(yàn)進(jìn)行對(duì)比研究。通過(guò)人工方式對(duì)文本內(nèi)容進(jìn)行標(biāo)簽化,首先需要閱讀全文,從中找到合適的標(biāo)記內(nèi)容。針對(duì)篇幅為一萬(wàn)字的文章,按照一個(gè)編輯500字/min的常規(guī)閱讀速度,閱讀時(shí)長(zhǎng)大約為20min;然后結(jié)合閱讀內(nèi)容進(jìn)行標(biāo)簽化處理,之后進(jìn)行系統(tǒng)錄入。錄入時(shí)間因系統(tǒng)不同而存在差異,本文取平均約2min/個(gè)標(biāo)簽作為標(biāo)簽錄入時(shí)間。一萬(wàn)字的文章在提取10個(gè)標(biāo)簽的情況下,整個(gè)工作時(shí)長(zhǎng)預(yù)計(jì)為:20 min +2 min /個(gè)*10個(gè)=40 min。由此可知,完成10個(gè)標(biāo)簽的標(biāo)記工作,從閱讀、標(biāo)記到錄入共需要40 min的作業(yè)時(shí)長(zhǎng)。同時(shí)這一工作是基于線(xiàn)性的方式,也即編輯在進(jìn)行上述工作時(shí)無(wú)法同時(shí)進(jìn)行其它工作。
采用基于人工智能的方式,首先運(yùn)用語(yǔ)義識(shí)別引擎,閱讀約16萬(wàn)字內(nèi)容花費(fèi)時(shí)間約為0.2s,解析準(zhǔn)確率約為90%,即每萬(wàn)字平均閱讀時(shí)間約為0.0125s;然后通過(guò)系統(tǒng)自動(dòng)進(jìn)行錄入,10條標(biāo)簽信息記錄在0.1s的時(shí)間內(nèi)即可完成錄入;結(jié)合業(yè)務(wù)需要,對(duì)入庫(kù)的標(biāo)簽再次進(jìn)行人工審核,10個(gè)標(biāo)簽,每個(gè)標(biāo)簽50個(gè)文字左右,預(yù)計(jì)總閱讀量為500字,需要花費(fèi)1min左右的時(shí)間。因此,運(yùn)用人工智能方式結(jié)合人工審核模式,每萬(wàn)字的時(shí)間開(kāi)銷(xiāo)為:0.0125s+0.1s+1 min≈1 min。由此可見(jiàn),每萬(wàn)字的標(biāo)簽化時(shí)間由原來(lái)的40 min減少到1 min左右,花費(fèi)時(shí)間減少了97.5%。
以上是基于單個(gè)處理過(guò)程獨(dú)立運(yùn)行的場(chǎng)景,在充分利用計(jì)算機(jī)的并行處理能力之后,處理速度還有很大的提升空間。
4.2 圖像領(lǐng)域應(yīng)用
圖像識(shí)別技術(shù)已日趨成熟,運(yùn)用圖像識(shí)別技術(shù)可以對(duì)大批量圖像進(jìn)行審核,從而過(guò)濾或標(biāo)識(shí)出有問(wèn)題的圖像,比如暴力、色情及政治敏感的圖像等。
運(yùn)用事先訓(xùn)練好的標(biāo)簽庫(kù),可快速進(jìn)行智能化標(biāo)引工作,對(duì)不同物體、場(chǎng)景等高效地進(jìn)行自動(dòng)識(shí)別。在完成標(biāo)簽化工作后,需進(jìn)一步提高用戶(hù)使用過(guò)程中的匹配準(zhǔn)確度。例如對(duì)太陽(yáng)進(jìn)行識(shí)別時(shí),還可同時(shí)對(duì)太陽(yáng)拍攝時(shí)間,如朝陽(yáng)、烈日或夕陽(yáng)等進(jìn)行更精準(zhǔn)的識(shí)別,從而使用戶(hù)后期使用時(shí)能大大提高檢索準(zhǔn)確率。
識(shí)別工作并非一次性完成,在出現(xiàn)新標(biāo)簽或新場(chǎng)景時(shí),需要對(duì)既有素材再一次進(jìn)行識(shí)別與標(biāo)簽化工作。此時(shí)運(yùn)用機(jī)器學(xué)習(xí)方法對(duì)新標(biāo)簽進(jìn)行學(xué)習(xí)后,新標(biāo)簽的標(biāo)注工作都可以交由人工智能技術(shù)完成,從而大大減少了編輯工作量。
圖片檢索技術(shù)的應(yīng)用可有效解決在文字檢索過(guò)程中,描述上存在一定局限性或不完整等情況。在形狀、色彩、場(chǎng)景等無(wú)法進(jìn)行精確描述時(shí),圖片檢索方式將更為高效和便捷。如在圖片版權(quán)審查方面,人工審查是比較困難的,通過(guò)圖片檢索技術(shù),結(jié)合第三方圖片版權(quán)庫(kù),可以有效提高版權(quán)審查效率。
針對(duì)圖像領(lǐng)域的應(yīng)用,以下也通過(guò)實(shí)驗(yàn)進(jìn)行對(duì)比研究。在人工鑒圖的場(chǎng)景下,平均效率約為1 200張/小時(shí),即每秒0.33張(1張/3秒)。通過(guò)采用人工智能技術(shù),如圖3所示,在采用不同算法的情況下,單張圖片的識(shí)別時(shí)間大約為不到1ms,而且隨著時(shí)間推移,識(shí)別時(shí)間還會(huì)不斷減少。
目前對(duì)單張圖片的識(shí)別時(shí)間最快為0.637 3ms,換算成每秒,即1 569張/秒,相比人工方式提高了約4 707倍,在識(shí)別效率上提高了99.978 8%,而且準(zhǔn)確率可達(dá)到92.980 2%,從而大幅提高了識(shí)別效率,對(duì)于無(wú)法確定的部分再由人工進(jìn)行標(biāo)注。
4.3 音頻領(lǐng)域應(yīng)用
通過(guò)語(yǔ)音識(shí)別技術(shù)將音頻轉(zhuǎn)換為文字內(nèi)容后,可以再輕松地運(yùn)用文本領(lǐng)域的智能化技術(shù),在完成語(yǔ)義分析后進(jìn)行標(biāo)簽化工作,從而極大地提高了語(yǔ)音內(nèi)容的可標(biāo)識(shí)性。
在制作不同主題內(nèi)容時(shí),針對(duì)場(chǎng)景需求,可以快速?gòu)拿襟w庫(kù)中找到所需的音頻素材,而不需要編輯花費(fèi)太多時(shí)間聆聽(tīng)后再選曲。
4.4 視頻領(lǐng)域應(yīng)用
視頻領(lǐng)域的人工智能應(yīng)用可以綜合運(yùn)用以上語(yǔ)音、圖片和文字的智能技術(shù),提高視頻內(nèi)容標(biāo)簽化過(guò)程工作效率。其中對(duì)音頻除常規(guī)應(yīng)用外,通過(guò)集成翻譯技術(shù),可以將其轉(zhuǎn)換成所需的字幕內(nèi)容,使視頻獲得更多受眾。
4.5 標(biāo)簽更新
隨著時(shí)間推移,媒體資源庫(kù)通常需要不斷地添加與調(diào)整資源的標(biāo)簽內(nèi)容,在做這類(lèi)重復(fù)性工作時(shí),同樣可以采用人工智能技術(shù)進(jìn)行初期篩選,之后再進(jìn)行人工審核。長(zhǎng)此以往,可以顯著提升工作效率。
5 結(jié)語(yǔ)
本文對(duì)人工智能技術(shù)在富媒體制作過(guò)程中的運(yùn)用場(chǎng)景進(jìn)行分析,通過(guò)采用人工智能技術(shù)提高資源標(biāo)簽化效率,為產(chǎn)出高質(zhì)量的富媒體資源提供了強(qiáng)大的技術(shù)支持??梢灶A(yù)見(jiàn)的是,未來(lái)隨著人工智能技術(shù)的發(fā)展越來(lái)越成熟,很多低效率的重復(fù)性工作都可交由人工智能技術(shù)協(xié)助完成,從而使編輯和制作人員有更多時(shí)間投入到內(nèi)容創(chuàng)作中,將對(duì)富媒體的進(jìn)一步發(fā)展產(chǎn)生重要促進(jìn)作用。
參考文獻(xiàn):
[1] 傅乃芹. 富媒體與文學(xué)出版物的富媒體開(kāi)發(fā)[J]. 出版發(fā)行研究,2016(1):50-52.
[2] 劉瓊昕,宋祥,王鵬. 面向出版社富媒體知識(shí)的文本分類(lèi)研究[J]. 情報(bào)工程,2019,5(2):40-48.
[3] 汪濤. 人工智能發(fā)展將駛?cè)肟燔?chē)道[J]. 中國(guó)科技產(chǎn)業(yè),2019(9):10-11.
[4] 婁宇爽,李四達(dá). 人工智能設(shè)計(jì)的發(fā)展趨勢(shì)研究[J]. 藝術(shù)與設(shè)計(jì):理論,2019,2(7):87-89.
[5] 吳戈. 機(jī)器翻譯:語(yǔ)義還是數(shù)據(jù)——人工智能視域下的語(yǔ)義問(wèn)題與哲學(xué)反思[J]. 河南社會(huì)科學(xué),2019,27(4):75-80.
[6] 劉宓慶. 翻譯與語(yǔ)言哲學(xué)[J]. 外語(yǔ)與外語(yǔ)教學(xué),1998(10):42-45.
[7] 劉喬輝. 計(jì)算機(jī)人工智能識(shí)別技術(shù)的應(yīng)用探討[J]. 科技風(fēng),2016(4):121-122.
[8] 李振,周東岱,王勇. “人工智能+”視域下的教育知識(shí)圖譜:內(nèi)涵、技術(shù)框架與應(yīng)用研究[J]. 遠(yuǎn)程教育雜志,2019,37(4):42-53.
[9] 高源. 自然語(yǔ)言處理發(fā)展與應(yīng)用概述[J]. 中國(guó)新通信,2019,21(2):117-118.
[10] 趙園丁. 淺談人工智能時(shí)代背景下自然語(yǔ)言處理技術(shù)的發(fā)展應(yīng)用[J]. 辦公自動(dòng)化,2019,24(10):63-64.
[11] 酈濤. 基于人工智能的圖像識(shí)別技術(shù)的研究[J]. 通訊世界,2019,26(8):69-70.
[12] 任萌. 圖像視覺(jué)識(shí)別算法概述[J]. 智能計(jì)算機(jī)與應(yīng)用,2019,9(3):294-297.
[13] 紀(jì)漢霖,黃嘉冬. 我國(guó)人工智能產(chǎn)業(yè)發(fā)展及應(yīng)用研究[J]. 軟件導(dǎo)刊, 2019, 18(3): 34-38.
[14] 過(guò)馨露. 人工智能技術(shù)及其應(yīng)用探究[J]. 軟件導(dǎo)刊,2018,17(2):35-37.
[15] 王曉陽(yáng). 人工智能能否超越人類(lèi)智能[J]. 自然辯證法研究,2015,31(7):104-110.
[16] WU B,LYU S,HU B G,et al. Multi-label learning with missing labels for image annotation and facial action unit recognition[J]. Pattern Recognition, 2015, 48(7):2279-2289.
[17] ZHOU Z H,ZHANG M L,HUANG S J,et al. Multi-instance multi-label learning[J]. Artificial Intelligence,2008,176(1):2291-2320.
[18] THOMAS L,CAROL P,OANH D,et al. Evaluation of natural language processing (NLP) systems to annotate drug product labeling with MedDRA terminology[J]. Journal of Biomedical Informatics, 2018, 83:73-86.
[19] SOUILI A,CAVALLUCCI D,ROUSSELOT F. Natural Language Processing (NLP) -a solution for knowledge extraction from patent unstructured data[J].? Procedia Engineering, 2015,131:635-643.
[20] WENZHU Y,QING L,SILE W,et al. Down image recognition based on deep convolutional neural network school of cyber security and computer[J]. Information Processing in Agriculture,2018(2):246-252.
(責(zé)任編輯:黃 健)