王素芳,吳 晨，陳志成

(1.焦作師范高等專科學(xué)校 信息工程學(xué)院， 河南 焦作 454000；2.北京工商大學(xué) 計算機與信息工程學(xué)院， 北京 100048:3.北京格分維科技有限公司， 北京 100070)

0 引言

隨著計算機技術(shù)的發(fā)展，人工智能應(yīng)用正在不知不覺融入到我們的日常生活中，通過手機語音助手一句“HI,Siri”或者“小愛同學(xué)”，手機就能聽懂你的指令，幫助你來完成原本要靠點擊才能完成的任務(wù)。又如，智能音響設(shè)備、智能車載設(shè)備、智能家具設(shè)備、商場導(dǎo)購機器人、會上下樓的送菜機器人、送快遞智能車、無人駕駛車輛。人工智能技術(shù)利用大數(shù)據(jù)、計算機科學(xué)技術(shù)幫助用戶完成繁瑣或者是人類無法完成的任務(wù)。

電視節(jié)目主持人是一個需要大量記錄對話內(nèi)容的職業(yè)，其主要職責(zé)是組織串聯(lián)節(jié)目中的每個環(huán)節(jié)，稱為串場。同時還要面對節(jié)目演播現(xiàn)場臨時出現(xiàn)的各種問題，節(jié)目嘉賓提出的問題，壓力巨大。智能機器人則不會出現(xiàn)這樣的壓力，并且可以利用計算機強大的記憶能力和強大的互聯(lián)網(wǎng)絡(luò)資源，能夠快速檢索出各類知識內(nèi)容解答現(xiàn)場提問。因此智能機器人非常適合作為輔助主持人加以利用。

目前已有一些電視節(jié)目中采用機器人做些輔助主持和分析。公認的世界上首位節(jié)目虛擬主持人是2001年的Ananova[1]，誕生在英國。之后，美國、日本、韓國也紛紛推出了虛擬主持機器人。2017年，微軟“小冰”以無形象的方式登陸天津衛(wèi)視《非你莫屬》節(jié)目，是此前國內(nèi)有代表性的一次嘗試[2]。2018年以來，人工智能技術(shù)越來越多地被應(yīng)用到電視節(jié)目中[3]，出現(xiàn)了“人工智能主播”[4]，虛擬智能機器人可以參與交流互動和提供問答咨詢[5]。這些新技術(shù)的應(yīng)用給電視節(jié)目主持帶來了新的人機交互視角[6]，增加了節(jié)目亮點，促進了新技術(shù)和新媒體的融合發(fā)展。

本文介紹的是基于中央電視臺創(chuàng)業(yè)投資欄目的需求而設(shè)計開發(fā)的一款人工智能虛擬輔助主持機器人——小創(chuàng)哥。小創(chuàng)哥是以卡通形象登上電視熒屏，在智能對話的同時能夠做出相應(yīng)機器人動作。其在節(jié)目中的用途主要包括兩方面：一是與真主持人搭檔，輔助現(xiàn)場主持，增加智能交互；二是通過數(shù)據(jù)分析，合理推薦投資項目和投資人。

1 相關(guān)工作

1.1 知識問答系統(tǒng)

知識問答系統(tǒng)是自然語言處理領(lǐng)域重要的研究方向之一，其目的是讓機器能夠像人一樣交流思考并解答問題。1950年英國著名數(shù)學(xué)家圖靈在《Mind》上發(fā)表論文《計算機器與智能》，提出機器智能概念和機器智能測試實驗方法“圖靈測試”[7]。此后，西方國家出現(xiàn)了一批面向?qū)I(yè)領(lǐng)域的問答系統(tǒng)，例如，面向精神疾病的ELIZA[8]，面向美國籃球聯(lián)賽的Baseball問答系統(tǒng)[9]。20世紀90年代由麻省理工學(xué)院開發(fā)出的START問答系統(tǒng)是世界上第一個開放領(lǐng)域問答系統(tǒng)[10]。進入21世紀，IBM的問答系統(tǒng)Watson、蘋果的Siri出現(xiàn)后，問答系統(tǒng)應(yīng)用開啟了爆發(fā)式增長，其中主要有基于知識庫的問答系統(tǒng)、基于社區(qū)的問答系統(tǒng)和基于Web的問答系統(tǒng)。

基于知識庫的問答系統(tǒng)[11]，以知識庫中的內(nèi)容作為知識來源，知識主要以三元組“實體，關(guān)系，實體”或“實體，屬性，屬性值”的方式存儲在知識圖譜或結(jié)構(gòu)文檔中。如何構(gòu)建知識圖譜和如何查詢知識圖譜是其中2個重要研究方向?；谏鐓^(qū)的問答系統(tǒng)[12]，以問答社區(qū)為知識來源，主要研究內(nèi)容為問題分類、問句匹配以及答案篩選。問題分類目的是縮小問題搜索范圍，提高答案獲取精度。問句匹配是通過實際問題文本與問答對問題文本進行比較，又分為文本相似度比較和語義相似度比較，找尋相似問題進而得到答案。答案篩選是從多個答案中選出最佳答案?；赪eb的問答系統(tǒng)[13]，以互聯(lián)網(wǎng)作為知識來源，利用搜索引擎搜索網(wǎng)頁中包含的問題答案。優(yōu)點是不需要提前創(chuàng)建準備知識數(shù)據(jù)，能夠隨時獲得最新的知識內(nèi)容。缺點是網(wǎng)頁搜索答案不夠精準，相對于知識庫或社區(qū)問答系統(tǒng)來說難以保證問答效果，需要的研究內(nèi)容包括問題關(guān)鍵詞提取、問題重寫、閱讀理解、命名實體識別。

本文綜合考慮不同答案來源的問答系統(tǒng)的優(yōu)缺點，構(gòu)建了適用于電視節(jié)目錄制場景的輔助節(jié)目主持機器人問答系統(tǒng)。

1.2 推薦系統(tǒng)

推薦系統(tǒng)是數(shù)據(jù)挖掘研究領(lǐng)域的一個應(yīng)用研究方向。傳統(tǒng)的推薦算法分為5類：基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法、基于知識的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法以及混合推薦算法。

基于內(nèi)容的推薦算法[14]，是根據(jù)用戶之前對項目的評分，學(xué)習(xí)用戶的偏好，推薦與用戶偏好相似的內(nèi)容給用戶。優(yōu)點是不需要用戶歷史數(shù)據(jù)，不存在新內(nèi)容冷啟動問題，缺點是存在新用戶冷啟動問題，推薦結(jié)果多樣性差。

基于協(xié)同過濾的推薦算法[15]，分為用戶協(xié)同過濾算法和項目協(xié)同過濾算法。通過相似用戶對內(nèi)容的興趣也相似的前提條件作為基礎(chǔ)，前者向相似用戶推薦相同內(nèi)容，后者向同一用戶推薦相似內(nèi)容。優(yōu)點是推薦具有多樣性，會推薦用戶未知的新內(nèi)容給用戶，可用于多媒體領(lǐng)域，缺點是存在新用戶和新內(nèi)容冷啟動問題，對于用戶評分數(shù)據(jù)有強依賴性。

基于知識的推薦算法[16]，是通過用戶給出的需求，將需求轉(zhuǎn)化為規(guī)則，并根據(jù)規(guī)則推薦相應(yīng)的內(nèi)容，優(yōu)點是沒有新用戶和新內(nèi)容冷啟動問題，推薦結(jié)果具有可解釋性，缺點是需要構(gòu)建知識庫，算法可擴展性差。

基于關(guān)聯(lián)規(guī)則的推薦算法[17]，如果用戶對某個內(nèi)容感興趣，則該用戶可能對與該內(nèi)容相關(guān)的其他內(nèi)容感興趣，將相關(guān)內(nèi)容推薦給用戶。優(yōu)點是易發(fā)現(xiàn)新的內(nèi)容興趣點，不需要領(lǐng)域知識，缺點是個性化程度低，關(guān)聯(lián)規(guī)則提取復(fù)雜。

混合推薦算法，是利用上述推薦算法其中的2種或多種算法組合，生成更優(yōu)推薦結(jié)果。

2 虛擬主持機器人系統(tǒng)設(shè)計

本節(jié)目主持機器人的系統(tǒng)設(shè)計主要包含：總體網(wǎng)絡(luò)架構(gòu)設(shè)計、交互控制流程設(shè)計、知識庫系統(tǒng)設(shè)計。系統(tǒng)采用JAVA web 技術(shù)實現(xiàn)，方便進行后臺數(shù)據(jù)的更新管理工作以及各功能模塊調(diào)用。

2.1 系統(tǒng)網(wǎng)絡(luò)架構(gòu)設(shè)計

根據(jù)節(jié)目錄制現(xiàn)場的網(wǎng)絡(luò)環(huán)境要求，在原有的網(wǎng)絡(luò)系統(tǒng)中，增加主持機器人的網(wǎng)絡(luò)系統(tǒng)，具體如圖1所示，各部分之間的交互序列如圖2所示。

圖1 節(jié)目主持機器人網(wǎng)絡(luò)架構(gòu)

圖2 節(jié)目主持機器人交互序列

主要包含如下4個部分：

1) 人工智能算法服務(wù)器，其中安裝了人工智能語音識別、人臉識別、命名識別、知識庫系統(tǒng)等；

2) 機器人主控系統(tǒng)，分別與服務(wù)器和導(dǎo)播指揮系統(tǒng)相連，根據(jù)節(jié)目現(xiàn)場情況實時進行數(shù)據(jù)分析；

3) 導(dǎo)播間的指揮命令信息采集系統(tǒng)，根據(jù)導(dǎo)播指揮信息對機器人下達動作命令；

4) 現(xiàn)場人機交互系統(tǒng)，根據(jù)現(xiàn)場主持人、投資人、創(chuàng)業(yè)者之間的對話交流情況，進行實時信息獲取，經(jīng)過分析后給出相應(yīng)回復(fù)和進行互動。

2.2 知識庫系統(tǒng)設(shè)計

分析該投資節(jié)目的“角色”，主要包含：主持人、創(chuàng)業(yè)者、投資人三類。根據(jù)這些角色建立相應(yīng)的知識庫，如表1所示。

表1 節(jié)目主持機器人知識庫系統(tǒng)

2.3 問答分析系統(tǒng)實現(xiàn)

節(jié)目主持機器人系統(tǒng)中運用了多項自然語言處理技術(shù)，深入理解分析語音識別結(jié)果文本，首先利用文本糾錯技術(shù)對語音識別中識別錯誤的詞語進行自動糾正，并利用分詞、詞性標注、命名實體識別、依存句法對文本進行初步分析。之后進行文本語義理解，明確對話意圖。當(dāng)對話意圖識別為回答問題時，系統(tǒng)按照問題類型檢索知識庫、知識圖譜或者互聯(lián)網(wǎng)絡(luò)獲取對應(yīng)答案或知識，之后進行答案梳理，在候選答案中選擇最優(yōu)答案進行語音合成返回到節(jié)目現(xiàn)場。此外，虛擬機器人還可以像主持人一樣向創(chuàng)業(yè)者提出問題，這些問題在節(jié)目播出前預(yù)先輸入到系統(tǒng)中，當(dāng)系統(tǒng)對話意圖識別為需要進行提問時，機器人會自動出現(xiàn)在屏幕上并提出問題請創(chuàng)業(yè)者或投資人進行回答。

基于自然語言處理的機器人問答系統(tǒng)架構(gòu)如圖3所示，其中主要用到文本糾錯、詞法分析、命名識別、問答檢索等技術(shù)。

圖3 機器人問答系統(tǒng)架構(gòu)圖

1) 文本糾錯：語音識別后文本糾錯[18]是問答意圖正確識別的重要保障，語音識別的錯誤將導(dǎo)致后續(xù)步驟的錯誤。通過大量系統(tǒng)測試后總結(jié)發(fā)現(xiàn)，語音識別中出錯的情況主要是同音詞錯誤和因口音問題導(dǎo)致的近似音識別錯誤。在錯誤中，以人名、機構(gòu)名命名實體為主。系統(tǒng)通過規(guī)則模板以及深度學(xué)習(xí)技術(shù)進行了針對性錯誤檢測及錯誤糾正。

2) 詞法分析：主要包括中文分詞、詞性標注、命名實體識別、依存句法分析。中文在詞與詞之間不存在英文中的空格分隔，使得中文語義分析上受到詞邊界錯誤影響。分詞技術(shù)能使中文語句具有語義合理性詞匯序列。詞性標注，是為每個分詞后的詞語標注唯一詞性，有助于后續(xù)依存句法分析。命名實體識別，專門識別語句中具有特定含義的實體，這些實體經(jīng)常是問答中的關(guān)鍵性信息。依存句法主要是實現(xiàn)語句中詞與詞之間相互關(guān)系的識別，如主謂關(guān)系、動賓關(guān)系、定中關(guān)系。通過句法分析，可以抽取句子其中的語義主干，幫助智能機器人系統(tǒng)實現(xiàn)對對話意圖的精準理解。

3) 命名識別：命名識別屬于自然語言處理領(lǐng)域詞法分析中的一部分，主要解決機器人系統(tǒng)未注冊的名詞識別問題，主要包括人名、地名、機構(gòu)名或是專業(yè)領(lǐng)域名詞，這些詞匯在通用語料中出現(xiàn)次數(shù)少，但是對于問答、信息檢索任務(wù)卻是關(guān)鍵。該項技術(shù)應(yīng)用在節(jié)目主持機器人系統(tǒng)中[19]，通過網(wǎng)絡(luò)爬蟲技術(shù)獲取了49 270個投資領(lǐng)域新聞標題，并利用領(lǐng)域詞典進行了初次標注，對嚴重標注錯誤進行了人工校正，實現(xiàn)了機器人系統(tǒng)自動識別交流問題中的命名實體，最后生成相應(yīng)的知識圖譜。

圖4為以某投資工場為例生成的知識圖譜，從投資領(lǐng)域、管理團隊、投資年份、投資企業(yè)數(shù)量、企業(yè)創(chuàng)立日期、投資企業(yè)所在城市等維度全面展示了該投資工場的情況。

圖4 投資工場知識圖譜

4) 問答檢索：當(dāng)對話意圖識別為回答問題時，系統(tǒng)將依據(jù)問題類型的不同，進行知識庫或知識圖譜搜索，系統(tǒng)設(shè)定高閾值來保證回答的準確率，知識庫中的結(jié)果將直接返回，知識圖譜中的結(jié)果將按不同內(nèi)容對答案進行模板封裝然后返回，如果知識庫和知識圖譜中都搜索不到結(jié)果，系統(tǒng)將利用搜索引擎，在互聯(lián)網(wǎng)中搜索相應(yīng)答案，如果存在結(jié)構(gòu)化答案，系統(tǒng)優(yōu)先選擇結(jié)構(gòu)化答案，如果不存在結(jié)構(gòu)化答案，系統(tǒng)將大量爬取相關(guān)搜索結(jié)果，利用閱讀理解的深度學(xué)習(xí)方法，從中總結(jié)抽取正確答案。在之前的節(jié)目錄制中，我們構(gòu)建的知識庫及知識圖譜成功完成了絕大部分問題的回答，只有極少數(shù)問題應(yīng)用到了網(wǎng)絡(luò)搜索步驟，系統(tǒng)應(yīng)用效果良好。

在某期節(jié)目中，主持人與機器人之間的實際互動示例如下：

主持人：“小創(chuàng)哥”。

機器人：大家好，我來了。

主持人：你看到剛才那個水下機器人了嗎？是你厲害還是剛才的水下機器人厲害？

機器人：我太難了！同是機器人，相煎何太急。我會說話但不會游泳，它能游泳但不會說話，所以我總結(jié)一下，我們倆在不同領(lǐng)域，都各有作為。

主持人：還是你比較厲害，好，謝謝“小創(chuàng)哥”。

機器人：告辭。

3 智能投顧推薦算法模型

通過對節(jié)目組給出的節(jié)目資料進行數(shù)據(jù)挖掘與分析總結(jié)，對最終成功簽約影響較大的因素主要有3個，分別是：

1) 投資人本人關(guān)注投資領(lǐng)域與創(chuàng)業(yè)者創(chuàng)業(yè)領(lǐng)域是否匹配；

2) 投資人本次出資金額的多少與創(chuàng)業(yè)項目所需資金是否匹配；

3) 投資人與創(chuàng)業(yè)者現(xiàn)場交流互動情況。

對這3個因素進行分析，建立了“智能投顧算法模型”，在節(jié)目錄制過程中，現(xiàn)場實時計算投資人與創(chuàng)業(yè)項目的匹配程度，當(dāng)創(chuàng)業(yè)者咨詢時，給出創(chuàng)業(yè)者選擇投資人的建議。

3.1 投顧算法計算模型

根據(jù)分析多期創(chuàng)業(yè)投資節(jié)目情況，建立了投顧推薦模型，其計算公式分為4個部分，最后將4個部分得分依照權(quán)值相加得到最終得分，這一組5個公式共同組成投資推薦算法模型。

(1)

(2)

(3)

(4)

si=αxi+βyi+δzi+mi

(5)

以上算法闡述如步驟1—步驟6：

步驟1首先計算投資人關(guān)注領(lǐng)域與創(chuàng)業(yè)者創(chuàng)業(yè)領(lǐng)域契合度xi，計算公式如式(6)所示。

(6)

其中：ε為創(chuàng)投領(lǐng)域契合度最低限度值，γ為單領(lǐng)域匹配加分，ni為第i位投資人關(guān)注領(lǐng)域與創(chuàng)業(yè)者創(chuàng)業(yè)項目所屬領(lǐng)域相關(guān)個數(shù)。

步驟2計算投資人意愿出資金額與創(chuàng)業(yè)者融資需求匹配度yi，計算公式如式(7)所示。

(7)

其中：gi為第i位投資人意愿出資金額，e為創(chuàng)業(yè)者融資需求。

步驟3計算投資人與創(chuàng)業(yè)者現(xiàn)場交流匹配分數(shù)zi，計算公式如式(8)所示。

(8)

其中：di為第i位投資人與創(chuàng)業(yè)者交流次數(shù)，max(d)為現(xiàn)場全部投資人中與創(chuàng)業(yè)者交流次數(shù)最多的投資人交流次數(shù)，η為交流基礎(chǔ)次數(shù)。

步驟4計算投資人出資金額高于創(chuàng)業(yè)者融資需求時的附加分數(shù)mi，計算公式如式(9)所示。

(9)

其中：γ為單領(lǐng)域匹配加分，e為創(chuàng)業(yè)者融資需求，gi為第i位投資人意愿出資金額。

步驟5將式(6)—(9)的計算結(jié)果依照投資因素占比重要性加權(quán)求和，得到最終匹配分數(shù)Si，匹配分數(shù)最高的投資人，是系統(tǒng)所推薦選擇的投資人，計算公式如式(10)所示。

si=αxi+βyi+δzi+mi

(10)

其中：xi、yi、zi、mi分別如前述含義，α、β、δ分別為各關(guān)注項的權(quán)值系數(shù)，根據(jù)以往統(tǒng)計分析結(jié)果，一般設(shè)定α=0.2、β=0.5、δ=0.3,根據(jù)不同項目類型有所適當(dāng)調(diào)整。

步驟6對步驟5所得匹配度分數(shù)Si進行最終合理性校驗，如果在該項目創(chuàng)業(yè)者和投資人所屬的范圍之內(nèi)，則最終確定該結(jié)果為推薦值，如出現(xiàn)偏差超出期望值范圍，則調(diào)整前面步驟的相應(yīng)系數(shù)，重新計算Si結(jié)果，直至最后選擇推薦出相對更為合理的投資人為主。

另外也有個別異常情況，比如全體投資人都放棄投資，全部滅燈，則該項目最終投資失敗，這種情況下，機器人推薦系統(tǒng)也同樣可以給出投資匹配度，只是分數(shù)極低，當(dāng)匹配度低于0.5時，系統(tǒng)不建議選擇投資人。

3.2 關(guān)注領(lǐng)域分析

據(jù)不完全統(tǒng)計，有643位來自不同領(lǐng)域的創(chuàng)業(yè)者通過層層選拔登上了央視創(chuàng)業(yè)節(jié)目舞臺，對這643位創(chuàng)業(yè)者的創(chuàng)業(yè)領(lǐng)域進行統(tǒng)計，創(chuàng)業(yè)項目最多的8個領(lǐng)域分別是互聯(lián)網(wǎng)373項，軟件應(yīng)用251項，生活服務(wù)182項，智能制造132項，教育89項，醫(yī)療衛(wèi)生74項，文化創(chuàng)意73項，新材料65項，如表2所示。圖5是通過643位創(chuàng)業(yè)者項目介紹詞生成的詞云，通過詞云也可以看到平臺、服務(wù)、技術(shù)、智能等關(guān)鍵詞的出現(xiàn)頻率較大。

表2 項目領(lǐng)域占比

圖5 項目領(lǐng)域詞云圖

系統(tǒng)定期更新投資人信息知識圖譜，獲取現(xiàn)場各位投資人的投資關(guān)注領(lǐng)域信息，并通過創(chuàng)業(yè)者項目的介紹詞，利用提前訓(xùn)練好的分類模型自動對創(chuàng)業(yè)者的創(chuàng)業(yè)領(lǐng)域進行識別。如果創(chuàng)業(yè)者的創(chuàng)業(yè)領(lǐng)域與投資人關(guān)注領(lǐng)域中的其中一個或多個相同或相關(guān)，系統(tǒng)給出較高分值。如果領(lǐng)域不相關(guān)，或者投資人很少或沒有投資過創(chuàng)業(yè)者所在的創(chuàng)業(yè)領(lǐng)域時，系統(tǒng)給出較低分值，但不是零，因為投資者很可能在這期節(jié)目中看好這個項目而投資。

3.3 出資金額分析

通過對節(jié)目資料進行梳理統(tǒng)計，往期創(chuàng)業(yè)者融資需求從200萬～3 000萬不等，相比創(chuàng)業(yè)者的融資需求，投資人給出的出資金額相對較低，最少只有50萬元，在簽約成功的項目中最終價格50萬～200萬(不含)占比3.07%，200萬～600萬(不含)占比38.51%，600萬～1 000萬(不含)占比52.48%，1 000萬及以上占比5.94%。

融資失敗很大原因在于投資人出資金額和創(chuàng)業(yè)者融資需求相差過大，出資金額對能否成功簽約影響較大。在節(jié)目演播現(xiàn)場，實時獲得投資人出價信息，并對比創(chuàng)業(yè)者的融資需求，金額不足時系統(tǒng)按比例計算分值，出價超出融資需求時系統(tǒng)在計算總分時會給予投資人計算加分。

3.4 現(xiàn)場交流分析

系統(tǒng)利用語音識別和人臉識別技術(shù)，識別分析投資人的發(fā)言交流和面部表情情況，得出每位投資人在面對創(chuàng)業(yè)者時的互動次數(shù)多少，分析其投資意愿程度大小。投資人發(fā)言和與創(chuàng)業(yè)者之間互動的次數(shù)多少，反應(yīng)了投資人對這個項目的關(guān)注程度。越是對項目感興趣的投資人，越會更多詢問創(chuàng)業(yè)者項目信息，以便挖掘項目發(fā)展?jié)摿Α?/p>

4 應(yīng)用實例分析

從央視創(chuàng)業(yè)投資節(jié)目2019年8月改版以來，虛擬主持機器人(小創(chuàng)哥)已經(jīng)參與了24期節(jié)目的錄制。沒有出現(xiàn)因為機器人的問題而影響節(jié)目錄制的情況發(fā)生。在保證主持互動中問題回答準確率的同時，小創(chuàng)哥的回復(fù)速度也隨著系統(tǒng)的不斷優(yōu)化逐漸改善，實際應(yīng)用案例分析如下。

4.1 推薦系統(tǒng)應(yīng)用實例

在創(chuàng)業(yè)節(jié)目錄制現(xiàn)場中，“智能投顧算法”將根據(jù)項目領(lǐng)域、投資金額、現(xiàn)場交流情況進行“投資匹配度”計算，給創(chuàng)業(yè)者提供選擇合理投資人的建議。表3為某期投資人推薦系統(tǒng)計算結(jié)果。

表3中，第一列為在場的8位投資人姓名，第二列為8位投資人與創(chuàng)業(yè)者項目領(lǐng)域匹配得分，第三列為投資人出資金額匹配得分，其中0.00分表示投資人未出價，第四列為節(jié)目現(xiàn)場創(chuàng)投雙方交流情況匹配得分，最后一列為綜合匹配得分。

表3 投資人推薦系統(tǒng)計算結(jié)果

由表的最后一列可以看到，最終系統(tǒng)既沒有推薦選擇領(lǐng)域匹配度最高的6號和7號投資人,也沒有推薦出資金額匹配度最高的8投資人，以及交流匹配度最高的4號投資人，而是綜合了三項因素選擇了1號投資人，這期創(chuàng)業(yè)者最終聽從了小創(chuàng)哥的建議選擇1號投資人作為自己的創(chuàng)業(yè)投資人。

電視節(jié)目實際播出效果如圖6所示。當(dāng)主持人或創(chuàng)業(yè)者咨詢機器人時，小創(chuàng)哥將在大屏幕上播報推薦結(jié)果：“通過人工智能計算，小創(chuàng)哥推薦的這位投資人，他的投資領(lǐng)域匹配度是0.87，現(xiàn)場交流匹配度是0.75，投資金額匹配度是0.83，綜合匹配度是0.83，投資人匹配度最高的是1號投資人”。

圖6 電視節(jié)目播出效果圖

4.2 推薦算法合理性分析

針對投資人推薦系統(tǒng)，統(tǒng)計在24期節(jié)目共73個創(chuàng)業(yè)項目中，有40位創(chuàng)業(yè)者主動希望聽取小創(chuàng)哥給出的建議，另有6位創(chuàng)業(yè)者在主持人的建議下咨詢了小創(chuàng)哥的意見。在46次投資推薦應(yīng)用中，有6次小創(chuàng)哥給出的投資人選擇建議不是節(jié)目現(xiàn)場出價最高的投資人，在這6次中有5次創(chuàng)業(yè)者聽從了小創(chuàng)哥的建議，并且小創(chuàng)哥的分析多次得到了不同創(chuàng)業(yè)導(dǎo)師的肯定，說明了小創(chuàng)哥推薦的合理性，推薦采納率為97.83%(45/46)。

對于其中1次創(chuàng)業(yè)者沒有選擇小創(chuàng)哥推薦的投資人，咨詢其原因主要是考慮“所選擇的投資人所在地域能夠提供更大的市場資源，能夠快速幫助項目產(chǎn)生銷售額”，從這個意義上講，在推薦模型中還可以進一步考慮“地域、市場”維度，今后可以進一步改進完善。

5 結(jié)論

介紹了人工智能虛擬輔助主持機器人的實現(xiàn)方法，通過在央視節(jié)目中的成功應(yīng)用證明了方法的有效性。人工智能和機器人技術(shù)正在各行各業(yè)中普及應(yīng)用，電視節(jié)目也不例外。本文設(shè)計并實現(xiàn)了虛擬智能主持機器人系統(tǒng)，建立了智能投顧算法模型，實現(xiàn)了節(jié)目主持過程中的智能問答與投資推薦功能，是人工智能機器人技術(shù)在電視節(jié)目中的創(chuàng)新應(yīng)用，對促進影視傳媒行業(yè)的智能化發(fā)展具有重要意義。