句子，句子
让我们举两个词来体会它们所蕴含的情感。
“真的非常感谢。”
“谢谢你听我说，因为有你温暖了四季……”
很简单，可能会说这不是最近经常玩的段子吧。
不过，问问长辈，他们可能长得像“地铁老人看手机”。
但是，与流行文化之间存在代沟的不仅仅是长辈们，还有AI。
不，一位博主最近刊登了一篇分析谷歌数据集的文章，发现在对Reddit评论的情感辨别中，错误率高达30%。
例如，此示例：
我要向朋友发火来表达我对他的爱。
谷歌的数据集将其判断为“愤怒”。
还有以下评论：。
你的TM差点吓死我啦。
谷歌数据集将其判别为“困惑”。
你不懂我的段子。
人工智能秒变人工智障这一荒唐的错误是怎么犯的。
最擅长断章取义
这得从他的辨别方法开始。
谷歌数据集在评论标签时，会用文本进行判断。
你可以看到谷歌的数据集错误地将文字中的情绪判断为愤怒。
让我们推测一下谷歌数据集辨别错误的原因。在上面的例子中，这四条评论都包含了“脏话”。
谷歌的数据集以这些“脏话”作为判断的依据，但仔细阅读完整的评论就会发现，这个所谓的“根据”只是用来增强整个句子的语气，没有实际意义。
网友们的评论往往不是孤立的，其帖子、帖子平台等元素可能会改变整个意思。
例如，如果你看这个评论
仅凭这一点很难判断情绪因素。但是如果你知道他是来自肌肉网站的评论，猜起来可能不难。
无视评论帖子本身，或者用感情色彩强烈的词语来判断情感因素是不合理的。
一个句子不是孤立的。它有特定的语境，其意义也会随着语境的变化而变化。
通过将评论放入完整的上下文中来判断情绪色彩，判别的精度可能会大幅提高。
但造成30%高失误率的不仅仅是“断章取义”，还有更深层次的原因。
“我们的段子AI不知道。”
除了上下文干扰数据集判别外，文化背景也是非常重要的因素。
在国家区域，甚至网站社区都有自己的文化符号，这种文化符号圈外的人很难解读，因此成为一个棘手的问题。
要更准确地判断一个社区评论的情绪，就必须对该社区进行一些数据训练，深入了解整个社区的文化基因。
在Reddit网站上，网友评论说：“所有评分者都是以英语为母语的印度人。”。
这会让你对一般的惯用语、语气词和特定的“段子”产生误解。
只说这些，数据集的判别错误率高的原因变得清楚。
但同时，提高AI的情感辨别精度也有明确的方向。
例如，博主也在这篇文章中给出了一些建议。
首先，在评论标签时，要深入了解他所处的文化背景。以Reddit为例，要判断其评论的情绪色彩，必须对美国某些文化、政治有透彻的了解，还必须能迅速get专属网站的“段子”。
其次，测试标签的反讽、惯用语、茎的辨别是否正确，使模型能够很好地理解文本的意思。
最后，对验证模型的判断和我们真实的判别，进行反馈，更好地训练模型。
One More Thing
AI大牛吴恩达曾发起以数据为中心的人工智能运动。
将人工智能工作者的重点从模型/算法开发转移到训练模型的数据质量。吴恩达说。
数据是人工智能的食物。
训练数据的好坏对一个模型来说也很重要，在以数据为中心的新AI方法中，数据的一致性很重要。为了得到正确的结果，必须固定模型或代码，反复提高数据质量。
1c
发表评论