技术可供性视角下新闻实践的场景再造--以新华社智能编辑部为中心的考察

新闻编辑部作为新闻生产的核心部门在本世纪经历了多次政策与实践主导下的变革,如今随着AI、XR、元宇宙、区块链等技术的发展,新闻编辑部的实践场景发生变化。对于编辑部实践场景变革的探讨不仅是顺应人工智能时代的刚需,也是应对业务板块与技术链接的一次理论探讨。技术为编辑部带来交互、生产、再部落化的可供性,使编辑部的交互场景、生产场景、社会场景随之改变。新闻编辑部由传统向智能转变,使得新闻业在技术主导的场景时代里拥有相对竞争优势。智能编辑部也需要自上而下地满足各级媒体的实践需要,从而更好地服务于打通“宣传最后一公里”的媒体实践。

以科技创新塑造媒体发展新优势——央视网“人工智能编辑部”打造主流媒体“智慧引擎”

[目的]探索媒体智能化发展路径。[方法]通过总结央视网的智能化实践,解析主流媒体如何通过科技创新推动智能化发展,打造主流媒体“智慧引擎”。[结果][结论]央视网以“人工智能编辑部”建设为核心,充分发挥“内容为王+平台制胜+技术领先”的核心竞争力,将人工智能大规模应用于新闻生产传播实践中,赋能主流媒体智能化发展。

融“慧”贯通:智媒时代主流媒体的破局之策——央视网人工智能编辑部的实践探索

主流媒体身处智媒时代的演化浪潮之中,在AI技术加持下寻求突破创新、释放潜能,推进生产机制的重塑与社会服务价值体系的构建。央视网通过“数智化”赋能,超前布局建设人工智能编辑部,完成流程再造与机制升级,同时以人工智能为引擎,打造“媒体+技术+服务”的社会化服务输出发展模式,为不同行业的数智化转型升级提供新动能。

主流媒体的智媒体转型发展之路——以中央广播电视总台“人工智能编辑部”为例

2019年,在人工智能技术的全面加持下,智媒体已经成为主流媒体转型发展的新方向。智媒体转型发展的重点是要打造生态系统、短视频即时布局、场景化快速切入,对主流媒体的战略调控能力提出了全新要求,而中央广播电视总台的“人工智能编辑部”无疑成为先驱存在,其许多创新探索都为主流媒体智媒体转型发展提供了重要范式,值得进行深入分析与规律总结。

创新新闻表达,开启新颖智慧——AI智能编辑部赋能人民日报社两会全媒体报道

内容和技术组成的双核持续驱动着媒体融合转型。人民日报社坚决贯彻落实党中央决策部署,将以人工智能(AI)为代表的技术创新和广泛运用作为融合发展的重要驱动力,全力打造AI智能编辑部赋能今年两会报道,实现对报、刊、网、端、微、屏等人民日报全媒体传播矩阵的全面助力,推进报社媒体融合向纵深发展。

人工智能在创新新闻流程中的应用分析--以中央广播电视总台“人工智能编辑部”为例

作为第四次工业革命的核心引擎,人工智能(AI)自面世以来,正在改变着整个媒体行业。人工智能技术以“声色俱佳”的报道形式,拉近了新闻与受众的空间距离。目前,中央广播电视总台联手国内顶级AI技术研发机构,积极推动人工智能在国内主流媒体的普及应用,开发出涵盖智能采集、生产、分发等环节的智能编辑工具库,开启了媒体行业智能化的先河,极大丰富了主流媒体转型升级实践。本文将对中央广播电视总台“人工智能编辑部”的创新“智”造进行分析,探讨未来人工智能在创新新闻流程中的实践路径。

纸媒和广电融合新向度:深度“智融”编辑部路径探索

媒体智能化的不断发展使得纸质媒体和广播电视在内容生产、分发与传播效果监测等方面,逐步进入整合与协同共驱的深度媒介融合阶段。主流媒体传播力、引导力的创新建构亟需利用优势内容生产能力形塑智能编辑部建设过程中3个转向,即纸质媒体广播电视向小屏“指媒”转变,新媒体账号运管统筹于“媒体大脑”;纸质媒体数字报,广播电视影像统合媒资库,历史核心知识产品“蓄能连接”深加工;由“头条推荐”接入元宇宙生态,构筑纸质媒体广播电视—基层强关系生产场域。这些探索或许能对传统媒体无缝衔接智能传播更好塑造主流舆论新格局进行积极的回应。

科技赋能“天地跨屏”创意引领刷屏之效——从新华社智能化编辑部2022年全国两会报道看媒体融合与创新

2022年全国两会的召开,意义重大。面对新冠肺炎疫情影响,各大媒体锐意进取,创新技术与报道方式。本文以2022年新华社智能化编辑部的全国两会报道为例,介绍国内首个“天地跨屏”访谈、新立方智能化演播室、“两会故事·民主的样子”栏目、新华社英文客户端等报道实践和展示。创新引领、科技赋能,突出高质量发展,彰显高起点融合。

跨屏访谈“云访”两会——新华社智能化编辑部两会报道的创新与融合

一年一度的全国两会是新闻媒体展示融合发展水平的重要舞台。本文以2021年新华社智能化编辑部的全国两会报道为例,介绍全球首个5G沉浸式多地跨屏访谈、新华社新立方智能化演播室、升级版AI合成主播等创新实践。全国两会报道的新闻样态迭代更新,新闻应用场景不断拓展,媒体深度融合向纵深发展。

人工智能赋能新闻报道创新——新华社智能化编辑部拓展人工智能应用场景

新闻传播与人工智能相结合,其应用场景多样多变。本文以新华社智能化编辑部为例,介绍AI合成主播生产平台、人工智能生产加工平台“媒体大脑”等实践探索。人工智能赋能新闻业,推进媒体融合向纵深发展。

媒介融合视域下编辑场域论

编辑场域是编辑实践展开的时空形态和“环境应用”。技术要素日益成为编辑场域重要的要素构成,并成为编辑活动“主体间性”发挥作用的重要中介工具。融合传播环境下,编辑场域日益从实体场域走向虚拟场域,个体场域走向群体场域,人工场域走向智能场域,并以协同开放、高度智能和主体交互的机制运行发展。

人工智能:未来媒体变革的发动机——以新华社的实践探索为例

新华社的"媒体大脑"将在2018年全国两会报道中惊艳亮相,其运用智能采集、用户分析、图像识别、语音合成等技术,可针对不同受众特点推出智能化、交互式融合产品。人工智能将有助于媒体构建数据驱动内容生产的新业态,提升采编人员工作效率,拓展融合产品生产能力。

面向模糊C均值算法的MAME聚类有效性指标

聚类有效性指标可用来评估聚类结果的有效性,并且帮助判别聚类的类别数。现有的面向模糊C均值算法的聚类有效性指标存在对于类内紧致性的刻画不太到位、对于类间分离性的度量刻画不够准确的问题。为此,基于类内紧致性和类间分离性两个角度着手设计,提出了一种新的模糊聚类有效性指标——考虑最大值和均值的指标(maximum-mean,MAME)。首先,考虑了整个数据集的综合特征,计算分别分为K类和1类的情况的比值,提出了一种新的模糊紧致性度量表达式。其次,引入最大聚类中心距离和平均聚类中心距离,提出了一种新的分离性度量方法。最后,从模糊紧致性度量表达式、分离性度量方法出发,提出了MAME指标。面向5个UCI数据集和6个人工数据集,和9个聚类有效性指标(包括CH、DB、NPC、PE、FSI、XBI、NPE、WLI和I指标)一起进行了对比实验,验证了所提指标的准确性、稳定性,说明了MAME指标的鲁棒性较好。

深度残差收缩网络的多特征锅炉炉管声波信号故障识别

为了提高锅炉炉管声波信号故障识别的学习效果和识别精度,采用特征向量并行和拼接两种融合方式构成特征层,以及平均得分和最大值得分两种融合方式构建决策层等不同信息融合机制,提出基于深度残差收缩网络的多特征锅炉炉管声波信号故障识别方法。首先,考虑锅炉炉管上各声波传感器的差异性,分别计算声波信号谱特征一阶和二阶差分构建三通道特征集作为二维网络的输入特征向量;然后,在卷积神经网络和双向长短时记忆网络基础上引入注意力机制构建基线模型,并采用深度残差收缩网络对二维网络的通道权重进行优化分配,提高模型的故障识别精度。大量实验结果表明:采用特征向量并行融合方式构成特征层的信息融合机制是一种更有效的策略;本文模型的识别精度得到较大程度提高,与基线模型相比较,未加权平均召回率提高了4.32%。

融合聚类和小生境搜索的多模态多目标优化算法

针对多模态多目标优化中种群多样性难以维持和所得等价Pareto最优解数量不足问题,提出一种融合聚类和小生境搜索的多模态多目标优化算法(multimodal multi-objective optimization algorithm with clustering and niching searching,CSSMPIO)。首先利用基于聚类的特殊拥挤距离非支配排序方法(clustering-based special crowding distance,CSCD)初始化种群;引入自适应物种形成策略生成稳定的小生境,在不同的小生境子空间并行搜索和保持等价Pareto最优解;采用特殊拥挤距离非支配排序策略实现个体选优、精英学习策略避免过早收敛。通过在14个多模态多目标函数上进行测试,并与7种新提出的多模态多目标优化算法进行对比实验以及Wilcoxon秩和检验发现,CSSMPIO的总体性能优于对比算法。最后将算法用于基于地图的测试问题,进一步证明了算法的有效性。

优化分类的弱目标孪生网络跟踪研究

针对传统孪生网络算法对模糊、低分辨率等弱目标跟踪效果不佳的问题,提出了优化分类预测的孪生网络算法。首先通过引入可变形卷积模块,提高骨干网络特征提取能力,其次在分类分支中引入位置信息,提升算法对于目标的识别能力,最后使用轻量级的卷积神经网络进行分类预测和边界预测任务,在规避多尺度测试的同时,进一步利用了图像的语义信息,使跟踪结果具有较高的可信度。在OTB2015、VOT2018公共数据集上进行的大量实验表明,本文算法综合表现优于主流同类算法,对模糊、形变、快速运动等多种复杂场景具有较好的适应性。

基于点集匹配的缺陷样本图像生成方法

针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题,使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换,使用单张样本进行扩充得到不同特征的缺陷图像,解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证,该方法生成的图像具有更好的视觉效果,并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中,达到扩充样本提高训练效果的目的。

基于强化学习的水下高速航行体纵向运动控制研究

水下高速航行体由于空泡特性导致其数学模型存在强非线性和强不确定性,经典控制方法如线性二次型调节控制(linear quadratic regulator, LQR)、切换控制等很难实现有效控制。针对水下高速航行体模型难以准确解耦或线性化处理;经典控制方法难以充分考虑水下环境复杂多变性以及在应对扰动时控制器可能会出现过饱和现象的问题,采用智能控制中的强化学习算法,使用在不基于准确模型的条件下与环境不断探索与交互得到控制策略的策略,完成了深度确定性策略梯度(deep deterministic policy gradient,DDPG)智能体控制器的设计。实验结果证明,设计的控制器能够保证水下高速航行体纵向运动的稳定控制,在执行器不超过饱和范围内能够应对扰动并完成下潜控制任务,具有较强的鲁棒性和更好的适应性。

基于空时对抗变分自编码器的人群异常行为检测

基于视频的人群异常行为检测对提前发现安全风险、预防群体安全事故发生具有重要价值。针对人群异常行为事件的稀少性导致的无法直接充分学习异常样本的表示、异常事件检测精度低的问题,在变分自编码器基础上,提出一种基于预测的空时对抗变分自编码器(spatial-temporal adversarial variational autoencoder,STAVAE)视频异常检测模型,通过引入长短期记忆网络(long short-term memory,LSTM)和对抗网络模块,对正常样本视频序列的时间维度与空间维度进行联合特征表示与重构,减少了正常样本重建过程中的特征损失进而扩大了异常样本的预测损失,避免了对异常样本的依赖,实现了基于模型重构误差的人群逃散异常行为检测。在公开数据集UMN及采集视频数据集上进行对比实验,证明ST-AVAE模型在基于监控视频的人群异常逃散行为检测中均具有最优的检测精度和召回率,对抗网络模块显著提升了异常检测的性能。

数据流形边界及其分布条件的增量式降维算法

为了解决增量流形学习中的噪声干扰,以及对不同分布状态下的新数据进行流形降维问题,本文提出一种数据流形边界及其分布条件的增量式降维算法(incremental dimensionality reduction algorithm based on data manifold boundaries and distribution state,IDR-DMBDS)。该算法首先分析噪声概率分布同时对数据降噪,确定降噪数据的流形形态为主流形,并在主流形上表征出噪声的分布形式,以此获得近似的原数据流形边界,然后基于流形边界判别新数据的分布状态,最后将分布于原流形形态之上以及之外的新数据分别映射至低维空间。实验表明,该算法能够有效实现基于流形的增量式高维含噪数据的低维特征挖掘。