English
邮箱
联系我们
网站地图
邮箱
旧版回顾



凯时共赢手机:淳化:强化“两减”推动产业转型升级

文章来源:凯时共赢手机    发布时间:2018年08月16日 18:40  【字号:      】

凯时共赢手机

“步话机!”秦川第一时间就大喊:“呼叫炮火救援!”

“是,上尉!”趴在汽车轮子旁的步枪手应了声,在车轮的掩护下挺身打开车门,将通讯员背上带着鲜血的步话机拖了下来。

过了一会儿,步枪手才叫道:“上尉,步话机坏!”

话音未落,一发迫击炮弹就呼啸而来在吉普车旁炸开,步枪手被抛到空中几米高的位置然后重重地摔回了地面,只剩下一支腿在抽搐。

秦川与趴在不远处多米尼克对望了一眼,两人都在对方眼中看到了恐惧。

对话奈雪的茶创始人:“肉搏战”中,怎样面对竞争和被模仿?

无冕财经:“一茶一包”的成本会不会更高?

奈雪:会的。增加了面包这一个品类,其实整个管理就是和茶不一样的另一套班子了,包括后厨、面包师,烤面包的制作和茶的制作完全不一样。

其中 q(x) 是近似分布,p(x) 是我们想要用 q(x) 匹配的真实分布。直观地说,这衡量的是给定任意分布偏离真实分布的程度。如果两个分布完全匹配,那么

教程|如何使用纯NumPy代码从头实现简单的卷积神经网络

,否则它的取值应该是在 0 到无穷大(inf)之间。KL 散度越小,真实分布与近似分布之间的匹配就越好。

KL 散度的直观解释

让我们看看 KL 散度各个部分的含义。首先看看

项。如果 q(x_i) 大于 p(x_i) 会怎样呢?此时这个项的值为负,因为小于 1 的值的对数为负。另一方面,如果 q(x_i) 总是小于 p(x_i),那么该项的值为正。如果 p(x_i)=q(x_i) 则该项的值为 0。然后,为了使这个值为期望值,你要用 p(x_i) 来给这个对数项加权。也就是说,p(x_i) 有更高概率的匹配区域比低 p(x_i) 概率的匹配区域更加重要。

这个AI系统的算法和论文发表在Association for Computational Linguistics conference收录的论文《Conversations Gone Awry: Detecting Early Signs of Conversational Failure》中。论文的作者Lucas Dixon、Nithum Thain、YiqingHua和Dario Taraborelli通过分析维基百科中的讨论页面,收集了大量的讨论板块中大量的网友讨论数据(我们可以称之为帖子),利用自然语言处理技术进行语义分析,并收集人类标注的标签作为数据集作为训练数据,建立预测模型,识别开始谈话中,具有什么样特征的句子会导致谈话会失控甚至是攻击行为(论文中提到:In this work we aim to computationally capture linguistic cues that predict a conversation’s future health)。

最新人工智能:可预测人类谈话走向,让吵架扼杀在摇篮中

论文中提到的例子是是关于“Dyatlov Pass Incident” 的两组维基百科的网友讨论(Dyatlov事件是指1959年2月2日晚发生在乌拉尔山脉北部的9位滑雪登山者离奇死亡的事件。这个团队的队长叫做Dyatlov,他们在登“死亡之山”的东脊时发生事故,10人9死)。其中A1和A2为一组(见下图),分别为两位不同的网友;B1和B2为一组,也是两位不同的网友。A1开始交流,A2用另一个问题反问。相反,B1更温和,用“似乎”提出了意见,B2实际上解决问题,而不是搪塞。这两组讨论中有一组讨论导致对话失控,一个对话者开始进行个人攻击。

一些保持礼貌的谈话指标包括任何一位幼儿园老师都会认可的基本礼貌如“谢谢”,用礼貌的问候开头,并用语言表达一种合作的愿望。在这些谈话中,人们更倾向于用自己的观点来表达他们的观点,比如“我认为”,这似乎表明他们的想法并不一定是最终的结论。

另一方面,直接提问或用“你”这个词开头的对话更有可能使得谈话产生差异甚至是争执,如A2的说话方式。研究人员在论文中提到:“这种影响与我们的直觉相一致,即直接性暗示了来自对话发起人的潜在敌意,也许加强了有争议的强制的有力性(This effect coheres with our intuition that directness signals some latent hostility from the conversation’s initiator, and perhaps reinforces the forcefulness of contentious impositions)”。

以上只是数据集中的一个样本的简要分析。以上过程我们可以通过自然语言处理技术,开始分析这些对话中“最初的评论和回答”的关键词有怎样的特征,并进一步通过机器学习算法构建结果(最终是否有敌意)和“最初的评论”的关联关系,从而建立通过“最初评论”的特征预测对话变成敌意的可能性。




(责任编辑:邵龙)

附件:

专题推荐

相关新闻


© 1996 - 2017 中国科学院 版权所有 京ICP备05002857号  京公网安备110402500047号 

网站地图    地址:北京市三里河路52号 邮编:100864