为什么Windows 10升级安装卡住了

东京大学的创业企业TDAI Lab认为应该面向点评网站等推销人工智能工具。

他们分析了4000多个日式拉面餐厅的评论，发布了东京版“人工智能排名，最优百家拉面店”。

在剔除疑似“刷好评”和“恶意差评”的情况下，人工智能选出了评价高的店铺。

分析“评论区”不立刻关乎生死，又能给企业降本增效的场景不应该被忽视。

AI 技术需要算力，需要数据，需要算法模型，更需要应用场景。很多AI公司一开始就想给高速列车换轮子，以这种雄心壮志去敲开传统企业的大门成功率很低，因为客户对新技术和AI公司都没有信任。

刷好评和恶意差评，消费者和餐饮店都有损失。消费者找不到好店，好店也失去了商机。

1968年，哈定(Garrett Hadin)在《科学》杂志上发表了一篇文章，题为The Tragedyof the Commons。译成《公地悲剧》，原文中的the commons还包括公共的空间。

评论区环境的恶化，没有人是赢家。AI审核、AI接管评论区是必然趋势，“评论”需要才华，管好“评论”更需要才华。
 

技术这么硬，起点这么高，为啥还管不好“评论区”。

这里，有三个绊脚石：

第一，评论数据质量特别差，注意“特别”两字。

数据治理水平低导致人工智能算法在很多时候效果不好。算法效果的好坏，与训练数据有很大关系，可以说一份好的标注数据，用一个普通的算法，也能有好的性能。现实中，企业想要做好 NLP，首先需要打通基础数据。评论数据的底子太差，麻袋上绣花，白费劲。

第二，“假装”在用。

反正大家都在智能化，装也得装着在用。把AI技术用起来，是“老板们”的刚需。有时候，工程会退化到自动化阶段，只是少部分用了算法智能。目前做得多的，也就是情感倾向分析，垃圾评论过滤等等。AI用不好，会变成噱头，可能倒退到最基础的统计分析图表。

第三，不重视。

很多互联网厂商认为，评论区是第二场景，有些二等公民的意味。说白了，不够重视，或者说支持主要业务“(推荐和搜索)”的技术还做得不够好，根本顾不上评论区。挖掘得不够，应用的深度和广度不够。管理评论的主动力之一就是只是满足政府管理部门的监管要求。

综上，NLP技术对运营的号召力还不够大，影响还不够深刻，NLP与运营还没有形成彼此不分的鱼水关系。

英国南安普顿大学毕业的AI算法科学家袁雪瑶，也在采访中透露：“互联网厂商会针对用户发布的评论内容有半人工识别，加上人工的数据标注。NLP现在比较成熟的领域有，情感分析、舆情分析、和用户画像，这些会对运营有比较适中的影响。”

(基于深度学习的情感分类方法，它能够从海量的数据中主动学习文本中的语义信息并获得文本的特征与情感分类，达到精准提取文本数据与情感的目的。比如“消极”“积极”)

一位来自平安智汇企业有限公司的算法专家也认为：“评论里，口水多，分析就是得把其中有价值的给自动筛选出来。NLP技术正在解决问题，还做不到药到病除。”

“适中”一词用得特别好，NLP还有很大的战场，要与运营做盟军，攻克业务侧的难题。评论中使用的挖掘技术方法也包含了很多种，规则、传统机器学习模型、深度学习模型等。

虽然专职挖掘“评论”商业价值的明星AI产品似乎还没有出现，但是，有人注意到了。

（编辑：宣城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!