大家好，今天小编关注到一个比较有意思的话题，就是关于粤传媒股票行情查询的问题，于是小编就整理了1个相关介绍粤传媒股票行情查询的解答，让我们一起看看吧。
交互新闻是媒体的未来吗？
感谢邀请！俺就直入主题吧；杜绝乱像 相关政策提前跟进 规范化管理 让新媒体保持‘尊贵’性在这个基础上广泛‘吸纳’有价值的东西（作品）做繁荣健康发展的新闻媒体先行者；必须排除 ‘糟粕’ ！这非常考验新媒体管理层。好与坏的作品，取决于 “贵部”的审核团队。 （高大上 是严谨‘产物’）期待，越做越好！
（有不到之处，敬请指教）
（本图于内容无关） 东莞南阁大桥 晚景
影《her》中的人工智能机器人 Samantha 说「The past is just a story we tell ourselves.」（「过去的时光」只是我们简述给自己的一段故事）。Samantha 和目前所有的人工智能机器人的基本技术原理一样，通过大量的数据学习来进行信息的重构理解人类思维。而新闻的起源正是人类通过讲故事的方式对信息的重构。
随着自然语言处理、知识图谱等人工智能技术的发展，许多媒体已经开始了将人工智能技术在内容生产方面的探索。《纽约时报》数字部门开发了机器人编辑 Blossomblot，每天推送 300 篇文章，每篇文章的平均阅读量是普通文章的 38 倍；在华尔街引起巨大反响的 Kensho 可以通过接入美国劳工部等数据源来自行创造投资分析报告；Automated Insights 的写作软件去年写了 150 亿篇文章，宣称自己是世界上最大的内容生产者；路透社也在发表机器撰写的文章，该系统的负责人认为「在一次盲测中，机器的作品表现得比人类作品更具可读性。」；此外，还有专门提供「标题党」服务的 Click-o-Tron 公司。来自 Narrative Science 的 Kris Hammond 甚至都预测「总有一天，机器人会赢得普利策奖」。
从新闻生产到读者阅读，中间会有多个环节，上面这些「机器人写作」案例都是在解决内容生产的问题，来提高新闻生产的效率、效率和实效性。但在用户的阅读体验方面，还是传统的静态阅读的方式——我们对着手机读一篇新闻和对着报纸在本质上是没有区别。而近期百度则借助自然语言处理技术带来了「交互新闻」，实现了更加智能和自然的内容组织及阅读体验。
首先，在内容组织方面，百度自然语言处理团队利用传统的语义分析技术，结合知识图谱、词向量、文本分类等技术，对每一篇新闻的内容、段落逻辑进行深度理解；再对同一话题下的不同新闻观点进行聚类以及关联度计算，提炼出新闻的核心内容及其相互之间的关系，提高用户阅读新闻获取信息的效率。
其次，在交互方面，团队结合机器人聊天的技术，在对话场景中，自然地向用户提供新闻内容。在用户了解完相关新闻后，为用户关联推荐深度问题，引导用户了解新闻更多相关信息。当用户主动提问时，通过解析用户的意图和需求，理解提问，从新闻知识中获取对应的回答关键点，再对新闻内容作加工提炼用来回答。
这两种结合起来创造一种全新的基于对话的新闻体验方式，与传统的新闻体验方式相比，它主要具有以下几个优势：
1）去中心化，传统方式是以新闻内容为中心，然后用户去「适应」——在众多内容中花时间借助于浏览和搜索去找到自己需要的内容，而现在这种方式则是在一个重新组织的内容库中，用户基于自己的需求迅速获得相关内容，大大提升了用户获取信息的效率。
2）更加自然的交互。在传统的新闻体验中，用户和内容是处于割裂状态，需要各种媒介来传递信息，比如说纸张和印刷。即便在互联网时代，各种内容产品也都需要有自己的用户界面，而对话是我们最自然、也是最高级的交互方式，如果可以通过这种方式来获取信息，那不同的内容提供商就不用再自己开发各自界面了，可以接入这类交互新闻的平台，同时用户可以更加自然和高效的获取信息。
3）个性化阅读。对于同一个话题，每个人所需要的内容和延伸阅读都是不一样的，也就是说，即便是通过机器学习的个性化推荐可以把某篇文章推送到一个特定群体，那这篇文章也无法让这所有人都满意，或者说无法达到一种最优的信息传递状态，这是从「内容本位」下的难题。解决这个问题的途径只能是让用户从自身的需求出发，借助于层层递进或者向外扩展的 query 从重新整理过的内容库里逐步获得自己所需要的内容，在这个过程中不会出现任何信息冗余，这才是最高程度的个性化阅读。
到此，以上就是小编对于粤传媒股票行情查询的问题就介绍到这了，希望介绍关于粤传媒股票行情查询的1点解答对大家有用。
还没有评论，来说两句吧...