卡斯普不暴走

未来智媒将以五大模式重构媒体生态

个性化新闻推荐、机器写作、传感器新闻、临场化新闻和分布式新闻，将会在新闻的生产速度、生产方式、个性推荐、用户消费体验等方面给整个媒体行业带来一场深度的变革。

对于整个资讯/内容/新闻的流程都产生影响：

【用户分析与匹配】 -【 新闻生产】 - 【新闻传播】 - 【互动反馈】
传统媒体边界消失，从而出现全产业的变革。

AI在媒体领域的应用潜力（杨强，2016）

5大领域：新闻编辑室、信息源捕获、资讯视频、智能分发、资讯服务

一、AI+新闻编辑室

AI在新闻编辑中的一些应用与潜力

1.抽取式新闻写作应用

就是如何把现场的解说或者是采访音视频转化成新闻稿。

a) 通过技术将音视频转文字的形式来做文字直播
b) 为每一句话提取人工定义的特征
c) 预测/判断每句话的重要程度
d) 选取句子并拼接

以现在的商用技术而言，a) 可以实现【今日头条总结】中的“机器直接创作”但是也要做一定的品控；b) c) d) 则是为编辑在工作时提供辅助性的服务，提升效率。

2.生成式模式应用：自动写作导语

通过AI的增强学习¹能力（阅读/训练），来自动写作文本摘要。
顾名思义，该项应用属于“机器直接创作”的范畴

3.自动写作

与第2点中提到的“增强学习”结合，再加上更高（更智能）一级的“迁移学习²”来达到自动写作的能力。

例如，采用“循环神经网络（RNN）”+迁移学习自动写小说。假想了一个《笑傲江湖》+《射雕英雄传》=《笑傲英雄传》自动写作的例子。

1和2在目前可实现应用的可能性更高一些。为编辑在整理和撰写稿件时提供助力，提升效率。

二、AI+信源捕获

1.生成式模式应用 —— 问题生成

基于知识库生成问题，帮助/代替记者编写采访提纲

实验室的应用

（Serban et al, 2016) 提出了基于知识库的问题生成算法，通过输入知识库中的关系三元组，生产对应的问题。成功构造出了3000万Q&A的数据集。

2.传感器的应用

基于数据传感生成的内容、兴趣匹配、报道公众议题

应用一：很多健康类app通过手机作为传感器，来记录用户的行为，从而生成用户每天的行为日志。
应用二：对于特定领域，例如动物或者地理，通过传感器获得的数据来生成相应的内容
应用三：空气质量逐渐成为公众关注的话题，通过相应的传感装置来采集数据，转化成报道

3.信息源的可视化追踪：挖掘传播路劲、提升社交传播精准度

通过信息传播可视化实现对信息传播的实时监控，面对不同读者群可以进行不同纬度的文案修改，并实现精准投放。

如果对于信息的受众有比较完整的用户画像数据，以此为数据源来追踪受众的渠道和特征，将信息做最大化的利用。

比如，根据信息传播的热度/范围/速度，针对不同地区/性别/年龄的用户，同样的新闻可以以不同形式自动转化和投放。

三、AI+资讯视频

用迁移学习来实现：从文字到视频/视频到文字，从2D视频到3D视频

但是这一领域的现实掣肘在于领域跨界人才的短缺。
机器通过深度学习将视频语言转化特征，进而以文字的形式呈现出来。

对于媒体从业者而言，这一方向可以帮助编辑寻找高质量、满足个性需求的视频片段和资源。

四、AI+智能分发

人为何看新闻：好奇，但并非漫无目的的好奇

1.【目前】通过历史阅读+当前阅读来判断/推荐“即将阅读”

e.g. 用户经常阅读“财经"；用户当前关注美国大选；因此当前用户比较可能关注的是“特朗普”+“希拉里”+“财经”，可以做针对的算法推荐。

2.【未来】通过更精密的模型来精准把握用户需求，准确预测用户喜好

“部分可观察马可夫决策过程”：认为用户的兴趣仅为“部分可观察”；用户兴趣会发生变化
因此，随着时间的变化，如何通过杂乱的信号源来攫取/预测用户的兴趣是未来值得研究的。

五、AI+资讯服务

1.AI资讯服务形态：人机对话
新一代的交互方式，很大可能是与AI通过对话的方式来进行的。

而进行这样优秀体验的人机交互的前提是，需要机器人进行大量的深度阅读和舆情分析。

2.AI资讯服务技术

a) 深度神经网络(DNN)
b) 强化学习(RL)
c) 迁移学习(TL)

以上三大技术在现实人机对话这种新一代的交互方式的路径中必不可少。