智能寫作
一、自動寫作
自動寫作通常以海量素材爲基礎，按照應用需求線索（例如事件、人物等）篩選合適的內容，並基於對內容的分析抽取關注的信息，最後按照寫作邏輯組織爲篇章結果。
二、輔助寫作
寫什麼？如何寫？如何寫好？推給合適的用戶？
-
自動糾錯
人工智能模型通過學習大量已知的錯誤拼寫、搭配等語料，對於正在寫作的文章提供實時的錯誤檢測和修改建議。
-
寫作聯想
人工智能模型通過學習大量同類文章，可以從統計概率角度推測未完成的句子的後續部分，或已完成句子的下一個句子，這種寫作聯想在特定領域（例如法律文書）的寫作中可以有效提升創作效率
-
寫作素材推薦
在寫作過程中，輔助寫作可以根據人類正在寫作的內容，推薦相關的熱點、事件發展脈絡等實用信息和素材，節省作者單獨搜索整理素材的時間，提高寫作體驗的連貫性
-
標題推薦
標題對於創作非常重要，但構思一個具有吸引力的標題並非易事，算法可以在學習大量高質量標題的基礎上，爲寫作者推薦具有吸引力的優質標題
三、智能寫作核心技術
-
經典自然語言生成算法
三個核心步驟：篇章規劃、微觀規劃和表層實現
-
篇章規劃
這一步驟解決**“寫什麼”**的問題。篇章規劃步驟需要決定最終寫作結果的標題、段落佈局，以及每個文章部分對應的輸入素材。
-
微觀規劃
這一步驟解決**“如何寫”**的問題。常用模板寫作（Template-based Generation）完成這一步驟。
-
表層實現
解決**“如何形成符合人類習慣的自然語言”**的問題。其中比較典型的一個例子是指代生成（Referring Expression Generation），這類方法可以識別需要替換爲代詞的實體，從而更符合人類的寫作習慣。
-
-
神經網絡序列生成算法
-
智能寫詩算法
智能寫詩是機器創作的常用例子，也是序列生成算法的一個典型例子。
-
標題生成算法
標題生成是在輔助寫作中有廣泛的應用：完成寫作之後，如果能夠快速確定一個優質的標題，不僅節省作者的人力投入，也有利於寫作結果的分發，讓寫作結果更好地觸及有對應需求和興趣的讀者。
-
自動摘要算法
自動摘要是序列生成中較困難的問題，因爲自動摘要算法通常需要處理長篇幅的輸入，而輸出也比上面提到的標題、詩句更長。
-
-
文本分析技術
智能寫作素材的“輸入”。
對於各類素材，需要利用 文本分析技術 抽取關鍵詞、標籤、情感傾向、摘要等用於智能寫作的特徵。
四、智能寫作VS人工撰稿
誤解：智能寫作技術能夠完全替代人類的寫作工作。
寫作是人類創造力和智能的集中體現，完全能夠替代人類的智能寫作技術距離實現仍有較大差距。因此在實踐中，智能寫作的意義並非替代人類的工作，而是作爲一種人工智能賦能的新生產力工具，幫助人類提升媒體、文創等相關行業的生產效率。
五、智能寫作展望
未來技術和應用探索的方向：
- 如何引入知識與常識
- 如何不依賴平行語料訓練序列生成算法
- 如何高效評估智能寫作算法效果
- 如何賦予智能寫作技術人文關懷特性
- 如何建設智能寫作倫理體系
智能寫詩
一、基於傳統方法的詩歌生成
機器詩歌生成的工作，始於 20 世紀 70 年代。傳統的詩歌生成方法，主要有以下幾種：
- **Word Salada（詞語沙拉）：**是最早期的詩歌生成模型，被稱作只是簡單將詞語進行隨機組合和堆砌而不考慮語義語法要求。
- **基於模板和模式的方法：**基於模板的方法類似於完形填空，將一首現有詩歌挖去一些詞，作爲模板，再用一些其他詞進行替換，產生新的詩歌。這種方法生成的詩歌在語法上有所提升，但是靈活性太差。因此後來出現了基於模式的方法，通過對每個位置詞的詞性，韻律平仄進行限制，來進行詩歌生成。
- **基於遺傳算法的方法：**周昌樂等提出並應用到宋詞生成上。這裏將詩歌生成看成狀態空間搜索問題。先從隨機詩句開始，然後藉助人工定義的詩句評估函數，不斷進行評估，進化的迭代，最終得到詩歌。這種方法在單句上有較好的結果，但是句子之間缺乏語義連貫性。
- **基於摘要生成的方法：**嚴睿等將詩歌生成看成給定寫作意圖的摘要生成問題，同時加入了詩歌相關的一些優化約束。
- **基於統計機器翻譯的方法：**MSRA 的何晶和周明將詩歌生成看成一個機器翻譯問題，將上一句看成源語言，下一句看成目標語言，用統計機器翻譯模型進行翻譯，並加上平仄押韻等約束，得到下一句。通過不斷重複這個過程，得到一首完整的詩歌。
二、Chinese Poetry Generation with Recurrent Neural Networks
核心思想：
圖解：
這篇論文 2014 年發表在 EMNLP。
這篇論文提出了一個基於 RNN 的中國古詩生成模型。
首先由用戶給定的關鍵詞生成第一句，然後由第一句話生成第二句話，由一，二句話生成第三句話，重複這個過程，直到詩歌生成完成。模型的模型由三部分組成：
- **Convolutional Sentence Model（CSM）：**CNN 模型，用於獲取一句話的向量表示。
- **Recurrent Context Model (RCM)：**句子級別的 RNN，根據歷史生成句子的向量，輸出下一個要生成句子的 Context 向量。
- **Recurrent Generation Model (RGM)：**字符級別 RNN，根據 RCM 輸出的 Context 向量和該句之前已經生成的字符，輸出下一個字符的概率分佈。解碼的時候根據 RGM 模型輸出的概率和語言模型概率加權以後，生成下一句詩歌，由人工規則保證押韻。
模型結構如下圖：
模型生成例子如下圖：
https://zhuanlan.zhihu.com/p/26604113
https://www.cnblogs.com/naniJser/p/9029619.html
https://blog.csdn.net/wty__/article/details/52677834
七、Chinese Poetry Generation with Planning based Neural Network
模型不需要專家知識，是一個端到端的模型。它試圖模仿人類開始寫作前，先規劃一個寫作大綱的過程。整個詩歌生成框架由兩部分組成：規劃模型和生成模型。
**規劃模型：**將代表用戶寫作意圖的 Query 作爲輸入，生成一個寫作大綱。寫作大綱是一個由主題詞組成的序列，第 i 個主題詞代表第 i 句的主題。**使用 TextRank 算法結合 word2Vec 詞向量對關鍵詞重要性排列，取最重要的關鍵詞。如果能提取的關鍵詞過少，則使用 RNN 進行預測新的關鍵詞。**如果用戶輸入的關鍵詞不在詞典中，使用 Knowledge-based method 進行關鍵詞擴充(百度百科、wikepedia、WordNet)
**生成模型：**基於 encoder-decoder 框架。有兩個 encoder, 其中一個 encoder 將主題詞作爲輸入，另外一個 encoder 將歷史生成的句子拼在一起作爲輸入，由 decoder 生成下一句話。decoder 生成的時候，利用 Attention 機制，對主題詞和歷史生成內容的向量一起做打分，由模型來決定生成的過程中各部分的重要性。
上個模型，用戶的寫作意圖，基本只能反映在第一句，隨着生成過程往後進行，後面句子和用戶寫作意圖的關係越來越弱，就有可能發生主題漂移問題。而規劃模型可以使用戶的寫作意圖直接影響整首詩的生成，因此在一定程度上，避免了主題漂移問題，使整首詩的邏輯語義更爲連貫。
總體框架圖如下：
生成模型框架圖如下：
**詩歌圖靈測試：**給定一個題目，讓機器和人分別做一首詩 ，由人來區分哪首詩是人寫的。實驗結果也很有意思，對普通人來說，已經無法區分詩是由機器生成的還是人生成的，下面是一組測試的例子：
現代概念詩歌生成例子：
https://www.h3399.cn/201804/571672.html
https://www.leiphone.com/news/201705/f76IMF23tRNKhpkW.html
https://www.cnblogs.com/naniJser/p/6059228.html
https://www.h3399.cn/201804/571672.html
https://www.leiphone.com/news/201705/f76IMF23tRNKhpkW.html
https://www.cnblogs.com/naniJser/p/6059228.html