文摘

与人工智能(AI)技术的逐步成熟,迫切需要改变和创新传统媒体的沟通模式。目前的研究和应用领域包括语言处理、图像识别、人工智能系统、智能视频技术,和文字识别。随着人工智能技术的快速发展,社会各行各业的使用。社会各界也引发了人工智能的探索和应用。在新闻领域的通信中,人工智能技术的新闻产业带来了机遇和挑战发布新闻内容和组织形式。探索新闻行业的新发展趋势和对策在人工智能的时代已经成为一个关键的主题的消息通信行业和学术界。的支持下巨大的通信网络,视频新闻的信息传输更为丰富。当人们获得信息,它还可以增强新闻的互动。在一个快节奏的社会,短片新闻无疑是更接近生活。然而,由于某些原因,人为因素导致不完整的获取信息。 In this paper, an intelligent neural network is proposed to be applied to an intelligent robot or intelligent system so that it can better obtain information to edit short video news and disseminate it, and compare it with the existing such machines or systems on the market today. This paper analyzes the development of short video news dissemination based on artificial intelligence and proposes improvement strategies based on specific examples.

1。介绍

与移动互联网技术和智能终端的传播世界各地,越来越多的人习惯于用手机软件来获取新闻。然而,人们不再满足于简单的文字和图片信息,传播和移动视频新闻发展迅速随着这种状态(1- - - - - -3]。这种方法使用短视频平台作为信息传播媒介信息传播有多种形式,准确和及时的传播,和独特的社会属性,这是非常符合人民的需求在分散的消费时代,人们的有效获取信息的习惯4- - - - - -7]。自从2016年发射的短视频,新闻媒体如《新京报》、《人民日报》和中央电视台新闻联播主要短视频平台如雨后春笋般涌现,打开了官方账户,和一个新的状态移动视频新闻产业正在逐步形成8,9]。和短视频在移动互联网也被越来越多的人使用。短视频非常方便发布由于其简单的生产。短视频的快速发展已经成为人们打发无聊的时间的一个重要手段和满足自我表现在日常生活的需要10- - - - - -12]。当前人工智能(AI)引入新闻行业加强了传播新闻和转载的速度。本文使用一个简短的视频新闻传播机器人为例,基于批标准化技术、神经网络技术和长期记忆单元,提高主题增强网络(CBNN),并在此基础上,提出了提高短视频新闻传播的效率和对策13- - - - - -15]。一系列科学方法用于实验判断手术效果的视频新闻传播的机器人。

我想应该补充说,在智能时代的媒体带来的改变5 g技术的发展提供了强有力的支持和保证短视频。越来越多的主流媒体进入新闻短视频领域的发展。主流媒体的多元化发展短视频,迎来了新的发展机遇通过短消息的信息传播优势的视频。

2。论文的研究背景和应用

2.1。讨论了人工智能的概念

人工智能(AI)是一种新技术在人工智能(AI)系统,试图模仿人类推理(16,17]。在大数据的背景下,经济和社会发展迅速。网络经济时代的到来,电脑和智能手机是影响人们的生活。这时,人工智能更能收集和处理这些信息和数据比人18- - - - - -20.]。

2.1.1。人工智能的效率

人工智能善于提高效率和减少不必要的错误。训练算法能够找到趋势,人类可能小姐。此外,它可以处理数据速度远远超过它可以独自做这件事。

2.1.2。人工智能的预测能力

预测在很大程度上是基于经验的努力。当预测客户偏好或网站流量的水平,预测将使用他们所学到的东西在过去对未来影响他们的判断(21,22]。

2.1.3。人工智能能够加速创新

人工智能技术的应用将进一步促进创新[23,24]。“创新”的不断发展和成就是好的结果。不可或缺的一部分,企业是“创新”和“创新”是一个重要的绿色和可持续发展的基础企业(25]。

2.2。讨论视频新闻的概念

一般来说,短视频平台,最长时间不超过5分钟。智能系统用于收集数据,编辑视频,并把它们放在许多短视频平台。

2.2.1。简短的视频新闻满足观众

用户的使用大数据集合和机器算法可以帮助短视频观众很快发现短视频内容的兴趣。简短的视频平台是建立基于智能算法。短视频播放的内容是通过分配系统,和交付系统建议短视频,用户感兴趣的短视频可以有效地把回放速度提高到85%。“这可以提高视频新闻媒体和观众之间的关系,满足公众参与的需求,并促进媒体信息内容的传播。”

2.2.2。新闻短片的内容可供选择

目前,移动视频新闻的发展蒸蒸日上,越来越多的人开始接受移动的简洁和受欢迎的新闻风格简短的视频新闻。然而,短片新闻仍处于初步探索阶段,还有许多问题短视频内容制作的新闻,如内容同质化和低俗的问题,迫切需要解决。为了解决一类问题,我们研究和短视频平台,收集信息和使用网络技术来收集多种类型的视频新闻传播在最近时期,如技术新闻、教育新闻、文化新闻,健康新闻,社会新闻和政治新闻。据调查,可以看出每个人的注意力主要集中在娱乐新闻和社会热点新闻。通过记录的消息在琐碎的生活中,它可以为用户提供视频平台的熟悉和心理上的亲密,更能引起公众的共鸣。

2.3。人工智能在新闻传播中的应用

人工智能(AI)是一种新技术在人工智能(AI)系统,试图模仿人类推理。在大数据的背景下,经济和社会发展迅速。网络经济时代的到来,电脑和智能手机是影响人们的生活。在这个时候,人工智能更能收集和处理这些信息和数据的人比。

然而,新闻信息的生成与人工智能密切相关。现在,一些权威的公司和媒体使用人工智能机器在新闻写作和传播。自2012年以来,美国等发达国家已开始使用相关的机器在编辑新闻。虽然我的国家这个行业发展相对较晚,由于视频行业的快速发展在我国,许多媒体已经引入了人工智能机器人。新闻写作和短视频传播,人工智能信息采集的方法和过程如图所示1。

出现AlphaGo带来了人们的观点和想法去一个全新的水平,在某些情况下,AlphaGo已超越所有领域的职业球员。人工智能(AI)技术的发展,新闻的写作由机器人和人工智能的生产新闻短视频出现在许多场景。

机器人编辑自然语言有效并迅速根据收集的信息,并自动生成新闻稿或短视频发布在互联网大数据的支持。人工智能,为机器人编写代码之前,应该引入以下技术或模式:批量标准化技术,复发性神经网络,长期短期记忆单位,和封闭的复发性单位。

2.3.1。批量标准化:引入BN

批标准化技术(也称为批正常化)技术用于提高神经网络的稳定性和性能。

首先,我们为最小的批量输入数据:

可学的参数 。

输出如下:

算法。输入数据的均值,计算如下: 输入数据的最小平方差计算如下: 通过规范输入数据,我们得到的 通过处理批处理标准化技术操作的结果,我们得到了 神经网络训练的机器人,批量标准化技术可以完美解决内部问题的协方差数据变化造成的。

2.3.2。递归神经网络(RNN)

递归神经网络可以在输入序列与大变化过程数据,并主要用于时间序列数据。然而,一些序列化数据或语言文本不能处理好,因为他们并不是独立的,而是有依赖性。

对于这些数据,使用递归神经网络可以解决这个问题的变量时间序列长度和单词之间的依赖关系,使得提取、处理和发布的短视频人工智能平滑。为了应对这种情况,我们可以使用共享参数来解决可变长度的问题。在每个时间步,序列中的词在这个时间步使用相同的参数的神经网络模型可以扩展到可变长度的时间序列数据。序列之间的依赖关系的性质,上一次一步获得的输出作为输入下一个时间步,前面的时间步的内容可以通过下一个时间步长,从而影响下一个时间步,所以,每个时间步长之间的依赖关系。递归神经网络模型的结构如图2。

是的,在机器的编辑过程或人工智能系统,词汇表中的词可能选为编辑的部分,这是非常重要的。然而,有一个依赖的问题。为了平衡内存的机器或系统,双向建模是用于建立一个双向递归神经网络,它可以解决依赖性问题的递归神经网络在一定程度上。

2.3.3。长期短期记忆单元(LSTM)

长期短期记忆单元类似于复发性神经网络过程中,这两种传播和处理信息。所不同的是,有四层在LSTM(图内部网络状态3)。

LSTM的第一步是判断各种类型的信息被丢弃或保留通过忘记门,并通过隐藏的信息和输入信息通过s形的函数,比如“如果输出是0,丢弃该数据。“如果输出是1,那么保留。第二步是确定新生成的信息存储在细胞状态(细胞状态可以被看作是内存),和乙状结肠激活函数是用来确定是否有有用的信息。然后,根据总和作为输出,新的信息是生成的双曲正切函数,最后生成的组合方法。公式如下: 其中w和b是权重矩阵和偏见的系统;现在,它是必要的过程的信息需要被遗忘在前一刻通过更新之前的时刻 ,和前一时刻的相乘逐点详述的乘法与忘记门方法 。最后,它是通过逐点详述的乘法和输入门(代表逐点详述的乘法),公式如下:

输出信息确定后,我们使用乙状结肠函数来确定功能是否可以输出,然后使用候选人信息激活的双曲正切函数 。最终的输出是通过乘以候选人信息和输出门逐点。公式如下:

2.3.4。封闭的复发性单元(格勒乌)

LSTM使用闸门机制实现是否保留相应的信息或丢弃无用的信息,以便长期上下文模型。格勒乌是建立在这种情况下,有效地减少梯度消失的问题。在复发性单位大门仍然采用闸门机制,和不同的是,格勒乌只有两个盖茨:重置门和更新门。新信息被重置门结合以前积累的信息,和更新门合并细胞状态和隐藏的状态。更新门公式如下:

因为更新门需要控制的信息是否以前隐藏的状态被丢弃或保留,而新的隐藏信息需要添加,的公式更新门()和当前新的隐藏信息状态()如下:

更新门结合了新的隐藏信息更新信息并将其放入乙状结肠功能,可以比较结果在0和1之间。我们计算重置门口的阿达玛的产品总和,以确定哪些信息可以保留或被遗忘。重置门公式如下:

我们构建Seq2Seq模型,于2014年提出的,主要是用于文本生成,并打破限制的固定序列在过去,这样的序列长度是不固定的。模型由一个编码器和译码器(通常,编码器和译码器由一个递归神经网络)。这是文本生成领域具有重要意义。

3所示。集成和优化技术

人工智能(AI)技术发展迅速,逐步进入了新闻行业。“短片”的狂热了近年来,和人们的访问外部的新闻不仅来自于“新闻业”,但也从“短片。“偏远地区在发生事故时,视频博客可以发送视频短片平台在短时间内,允许其他短片观众来获取这些信息。新闻行业需要的是在这一领域进行实地研究新闻来确定它的真实性。我们报告在该地区。当某些娱乐新闻出现时,“短视频人工智能”将被用于获得版权和重新转载。信息收集是新闻发布的第一步。利用神经网络技术可以增加信息来源,另一方面使机器能够更好的分析和新闻融入更多的新闻。人工智能机器人写作使用神经网络,模板设定的“人”和信息收集的短视频写。

主题增强写作网络和主题增强编辑网络。topic-enhanced写网络采用的注意机制模型,并在此基础上,添加一个增强网络,译码器可以应用注意机制的隐藏状态译码器通过在解码过程中注意分配。增强编辑的思想主题网络模拟,结合编辑机制,认为不仅主题信息,而且所有的草案内容的重要信息。

3.1。人工智能自动释放机制

短片新闻自动发布任务,SEO优化需要坚持,坚持发送高质量的原创文章,并适当的发布他们在同一时间,但手册出版不能做许多不确定因素,如工作安排和假期。连续工作和传播新闻短片。在这方面,另一个AI自动释放进行了设计。这种机制可以提高效率的自动释放和短视频新闻传播的效率。SEO优化需要手动发布,由于很多不确定因素,如工作安排和节假日,是不可能实现持续的工作。人工智能自动释放机制可以解决这个问题,这是不同于SED优化如下所示图4。

人工智能自动释放机制如下:

输入数据的最小值如下:

输出数据如下:

算法。编码器端接受每个视频内容的分析和内容衰变后细胞状态之前的时间点。 译码器在这方面获得特殊句子语气确认主体词和内容相对于衰变后细胞状态之前的时间点。 上下文向量的加权平均衰退细胞状态由编码器输出的内容。 重量对应内容衰变后的细胞状态每个编码器, e是指一个分数计算的隐状态译码器+编码器的隐状态,这个分数是用来计算重量在以下方程。 年代是指连接上下文的内容向量和衰减后的细胞状态译码器。 在哪里是指文本的概率分布表中自动语音识别,也就是说,最终的输出概率自动释放,= 在哪里指的是主题增强重量,可以有选择地增强的比率短视频新闻主题的短视频。 在哪里指的是词汇的概率分布auto-publishing之后,也就是说,计算最终的输出概率。 在哪里指概率分布。 使用人工智能自动发布机制,可以有效地发布简短的视频新闻广泛传播。人工智能编辑和发布视频本身来提高视频质量。人工智能处理和输出视频通过自动识别视频和编辑视频发送马赛克非法和禁止视频。我们传播准确的新闻更快更有效地符合流行的口味。
编码器输入原始文本转换成一个上下文向量c。模型的输入序列x= ( ),输入序列的长度。的输出编码隐藏状态是通过递归神经网络得到的编码。计算公式如下: 通过编码隐藏状态前一刻和输入编码在当前时刻,隐藏的状态在当前时刻的输出,和上下文向量c获得输入序列可以通过以下公式: 在基本sequence-to-sequence模型中,译码器主要使用上下文向量c通过编码器和译码器生成的文本序列之前生成词汇表在当前时刻。译码器计算当前单词y的联合概率,可以分解为所有先前的条件概率生成的单词。
联合概率公式计算当前词汇y如下: 然后,通过向量c,隐藏状态的译码输出和当前解码输入计算得到某一时刻概率分布。计算公式如下: 有主题增强门主题增强网络,有一个特殊的部分称为主题增强体重,通过这个主题增强体重使解码器选择主题的比例提高信息在生成特定的词。
的公式计算主题增强重量如下:

4所示。实验分析

4.1。神经元的影响对图像识别性能和编码方向

本文比较和分析了神经元和编码方向对图像识别性能的影响,并比较了视频编辑智能机器人与其他四个模型(代表模型)的其他机器人市场在三个评价指标精度1,精度精度2和3。

4.2。实验对比分析

首先,我们使用精度,计算机图像识别的评价方法,评价视频图像识别的结果。P-R曲线的精度和召回曲线,以回忆为横坐标轴纵轴和精度。首先,我们解释精度和召回如表所示1。

正确分类的一个积极的例子作为一个积极的例子代表TP(真阳性),分类错误的正面例子作为一个负面的例子代表FN(假阴性),并正确地分类一个负面例子作为一个负面的例子代表TN(真阴性)。识别错一个负面例子作为一个积极的例子代表FP(假阳性)。

它指的是对比生成的图像识别评价模型和代表模型和市场上其他视频编辑机器人。如果公关曲线接近于右上角,更好的代表模型。精度的方法是用来评估的弯曲程度模型生成的视频编辑与市场上其他机器人的弯曲程度。实验数据所示5- - - - - -7。

本文进一步证明Bi-GRU模型是最杰出的性能通过比较上述三种模式的公关方法。公关的方法通常是用来比较机器视频编辑模型的性能。实验数据所示5- - - - - -7。实验表明,曲线代表模型和其他模型的公关方法更接近于右上角,和编辑视频的综合分析代表格勒乌神经元模型生成的最佳性能。

4.3。人工智能自动释放机制模型性能的影响

在数据8- - - - - -10,代表的性能模型与其他模型相比,在市场上。我们加入AI自动发布机制代表模型和比较它与市场上的其他三种常见模型,并将四种机器到模型训练10天发布一段简短的视频新闻评级得到一个有效的图。

如表所示2通过为期10天的模拟,数据收集,和下面的数据得到如下表所示。

根据观察数据8- - - - - -10,该模型代表的性能模型与其他模型相比,在市场上。我们加入AI自动释放机制代表模型和比较它与其他三种常见模型在市场上。我们把机器的四种类型到模型训练10天发布一段简短的视频新闻和比较评级得到一个有效的图。它可以得出的结论是,添加人工智能1号机(代表模型)的自动释放机制比其他模型更受欢迎,它可以更吸引用户的短视频平台,增加短视频新闻传播。

通过例子分析,可以看出,该方法生成的视频编辑摘要是不够的。在一些编辑过程中,仍有重要的信息的情况下并不会出现在视频新闻。在接下来的工作,我们可以考虑引入更多的许多技术进行更深入的研究人工智能(AI)视频编辑模型来进一步提高生成的视频新闻的质量。

5。结论

这个实验是基于视频新闻的背景下的发展人工智能做出“短视频编辑机器人”使用批处理标准技术,递归神经网络,长期短期记忆单元,封闭的复发性单位其他机器人的缺点。改善机制,然后通过添加增强主题机器人是升华,所以,它可以增加视频片段的主题通过输入关键字。(1)通过使用精度,代表模型与其他模型相比获得公关曲线的曲率的程度。它是通过实验得出结论,代表模型和其他模型更接近曲线的右上角的公关代表模型的方法。综合分析使用的代表格勒乌神经元。生成的视频编辑模型具有最好的性能。(2)通过比较短视频新闻发布的评级为期10天的获得一个有效的图,可以得出的结论是,1号机(代表模型)加入AI自动释放机制有更好的评级比其他模型和短视频平台用户更有吸引力,增加视频新闻传播。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。