分析文章、歸納重點、寫摘要：一個新演算法便可自動完成

通過訓練軟體來精確總結歸納文件資料，可以在醫藥、法律、科學等諸多領域產生重大影響。

現在，還有多少人有時間完整地閱讀文章或是文件呢？如今，隨著信息量越來越龐大，電腦可能成為我們處理這些文件的唯一希望。因此依靠機器來分析文章、研究論文和其他文本今後可能會變得非常普遍。

Salesforce 的研究人員對此開發出了一個演算法，最終計算機很有可能實現自己總結歸納文檔。它運用了幾種機器學習的技巧，可以從較長的文本生成非常連貫且準確的短文本。

例如，這個演算法生成了最近《紐約時報》關於 Facebook 打算在即將到來的英國大選之前打擊虛假新聞的文章摘要：

1、星期一，Facebook在英國的報紙上發表了一系列廣告；

2、它已經在英國刪除了數萬個的假帳戶；

3、Facebook 還表示，今後將僱用超過 3000 名內容監管人，幾乎將全球從事這一工作的人數翻了一番。

根據用於測量文本摘要準確性的通用軟體工具，Salesforce 演算法明顯優於之前開發的任何演算法。

Salesforce 首席科學家 Richard Socher 說：「在自然語言處理領域，我們提出的這個演算法是一個巨大的進步。」 Socher這個名字現在在機器學習和自然語言處理領域如雷貫耳，他的新創公司 MetaMind 也於 2016 年被 Salesforce 收購。

這個軟體要想實現人類對文本的理解能力還有很長路要走，而且它生成的摘要重點也不都十分準確。事實上，想要完美地總結文本將需要真正的智能，包括需要有常識以及專業地掌握這門語言。

解析語言仍然是人工智慧的巨大挑戰之一，但卻擁有巨大的商業潛力。即使有限的人工智慧，例如解析口語或書面問題的能力，以及用更複雜和一致的方式作出反應，這些功能都有廣泛的應用場景。在許多專業領域，如醫學、科學研究、法律，精鍊冗長文本和提取有效信息具有巨大的商業利益。

Salesforce 的研究科學家 Caiming Xiong 表示，他們的演算法雖然不完善，但可以總結每天的新聞文章，或是為客戶提供他們的電子郵件概要——後者可能對於 Salesforce 自己的平台尤其有用。

他們的演算法結合了多種方法，例如監督學習和增強學習。然後將它們組合在一起來實現功能上的提升。這個系統利用監督學習的方法，從優秀摘要的例子中學習，但也對其正在輸入和輸出的文本進行了一種人為的關注。這有助於確保它不會產生太多重複的文本，這是歸納演算法的常見問題。

這個系統實驗為了產生自己的概要，還使用了增強學習的過程。受動物學習方式的啟發，增強學習是對一個導致特定目標的動作提供正反饋的過程。增強學習已經被用來訓練電腦去實現很複雜的行為，例如玩很複雜的遊戲或者是控制機器人。那些在會話介面上工作的人越來越關注增強學習，以便來優化他們的系統。

美國西北大學教授、Narrative Science 公司的創始人Kristian Hammond認為，Salesforce的研究是一個很好的進步，但這也顯示出純粹依賴統計機器學習的局限性。「我們必須承認，有些時候我們需要在這些系統中使用一些語義和句法知識，讓它們變得更準確、更流暢。」Hammond說。

Hammond認為，使用注意機制是在一個很簡易的水平上對一個人的說話行為進行模仿。這種行為就是人們說話的時候，會被自己剛才說的話影響。他說：「當你在說話的時候，即將說的內容是由你之前所說的內容驅動的——這項工作是向模仿人類交流這一方向邁出的一步。」

提高計算機的語言技能在推進人工智慧方面也很重要。微軟今年早些時候收購的一家名為 Maluuba 的新創公司最近製作了一個能夠根據文本內容生成相關問題的系統。 Maluuba 團隊同樣結合了監督學習和增強學習。

Maluuba 的高級研究科學家 Adam Trischler 認為，提問是學習的重要組成部分，所以創造出一個很「好奇」的機器也同樣重要。 「最終的目標是在人機對話中使用問答機制，也就是『提問—回答』。但想想，如果機器可以自己出去收集信息，然後向自己提問，這該怎麼辦呢？」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！