大数据人工智能-徐伟

第32期2019年11月No.32November ，2019应用型本科财务管理专业实践教学体系创新探索盛洁，赵燕，梁燕瑜，徐伟（广东理工学院会计学院，广东肇庆526100）摘要：实践教学由于高等教育的改革、财会领域的转型、具备理论教学不具备的独特优势，在本科教育教学和人才培养中越来越受到重视。

培养新时代的应用型财务管理人才，必须把教学的着力点放在实践教学这个重要环节上。

文章在文献综述的基础上，结合实践教学体系的一般理论，着重介绍了广东理工学院会计学院对于实践教学体系的探索。

它的总框架是由一个目标、两个层面、三项保障、四类资源、五大利益主体构成。

这样的探索成果，对于其他地方应用型高校实践教学体系的探索也会有一定的借鉴作用。

关键词：财务管理；实践教学；应用型本科；财务转型中图分类号：G718.5文献标志码：A 江苏科技信息Jiangsu Science &Technology Information基金项目：广东省教育厅2017年度本科高校高等教育教学改革项目；项目名称：应用型本科财务管理专业实践教学体系的构建与研究（630）。

广东理工学院2017年质量工程项目；项目名称：应用型本科财务管理专业实践教学体系的构建与探索；项目编号：JXGG2017011。

作者简介：盛洁（1977—），女，江西九江人，副教授，硕士；研究方向：财务管理，会计学。

——以广东理工学院财务管理专业为例1研究背景实践教学在本科教育教学和人才培养中越来越受到重视和推崇。

这是由三大因素共同决定的：高等教育改革、当今财务转型、实践教学的自身优势。

实践教学是当今高等教育教学改革的一大趋势，是健全合作共赢、开放共享的实践育人机制的必经环节。

《关于进一步加强高校实践育人工作的若干意见》（教思政〔2012〕1号）明确提出了要强化高校实践教学环，从量化指标上对实践环节进行了若干规定。

《教育部关于加快建设高水平本科教育全面提高人才培养能力的意见》（教高〔2018〕2号）中有“健全教师队伍协同机制，统筹专兼职教师队伍建设，提高实践教学水平”“综合运用校内外资源，建设满足实践教学需要的实验实习实训平台”“进一步提高实践教学的比重，大力推动与行业部门、企业共同建设实践教育基地”的表述，充分彰显了政府对于实践教学的重视。

工艺与技术1162021年第1期熊 亿（上饶幼儿师范高等专科学校，江西 上饶 334000）摘　要：在大数据时代背景下，计算机技术、通信技术等迅速发展，人工智能应用程度也不断加深，给人们的日常工作和生活带来了诸多影响。

随着数据信息的急剧增多，人们对信息处理的速度和安全性等提出了更高的要求。

为能够更加迅速地处理各类信息，有效避免计算机系统崩溃现象的发生，提高计算机系统问题的处理效率，需将人工智能有效应用到计算机网络技术中。

对此，文章主要阐述人工智能的应用价值和意义，并提出其在计算机网络技术中的具体应用方法。

关键词：大数据时代；人工智能；计算机网络技术中图分类号：TP393.0；TP18 文献标志码：A 文章编号：2096-3092（2021）01-0116-03大数据时代人工智能在计算机网络技术中的运用分析尽管大数据技术让人们的生产生活更加便捷，但是也由此引发了更为复杂的网络安全问题，出现了更加庞大的数据信息，影响数据信息处理的效率。

如今，物联网、大数据及云计算等新兴技术高速发展，我国智能化程度不断加深，计算机网络技术在科学技术领域与人们日常生活中得到有效应用。

为能够更好地满足大众的日常需求，进一步提高信息技术的分析与处理效率，必须注重人工智能与计算机网络技术的有效融合。

1 人工智能及其应用价值人工智能属于计算机学科中的一个关键分支，依托智能实质，生产能够以与人类智能相似的智能化机器，其重点研究对象为模拟、扩展、延伸人类智能的应用系统、技术等。

人工智能技术高度仿真地模拟人类的很多思维过程与智能化行为，为人们日常生活提供了极大的便利，因此深受社会各领域的关注。

基于新兴的技术条件，人工智能的研究对象涵盖了更多的内容，包括自然语言处理、图像识别、语言识别、机器人技术、专家系统等。

当前人工智能的覆盖范围进一步扩大，借助模拟人类思维与意识的信息过程，从而为人类的各项活动提供更好的服务[1]。

大数据技术的迅速发展，推动着人工智能和计算机网络技术的有效融合，可以较好地满足网络数据资源的使用需求，有助于提高网络系统的运行可靠性与安全性，提升信息数据系统推理能力等。

大数据、人工智能背景下公安执法规范化建设研究摘要：目前，随着新技术的改革和引用，以大数据、云计算、物联网、人工智能为标志的智慧公安规范化建设正在如火如荼地展开。

智慧公安建设不仅给公安机关社会治理和城市社会管理带来重大而深远的影响，并由此催生了一场全新的警务革命，警务领域正经历着一场深层次变革。

对公安执法规范化工作也造成了很大的影响。

关键词：智慧公安执法规范化工作警务革命人工智能大数据等新技术在各行各业的应用，不仅会对政府管理、经济安全、社会稳定乃至社会治理等产生深刻影响，同时也会给公安机关维护社会稳定有序带来新的机遇与挑战，甚至成为在人工智能新时代推动警务领域改革创新的动力源泉和核心推力。

顺利完成人工智能新时代警务工作的变革坚守，已成为当前公安执法规范化改革的急需关注和研究的热点问题。

一大数据、人工智能背景下公安执法规范化建设内容公安执法规范化需要建设警务大数据[1]智能化，采用大数据、人工智能、云计算等技术，构建符合以融合、可持续发展为原则,实现技术统筹、能力统筹、数据统筹、服务统筹、支撑统筹警务大数据智能化平台,利用警务智能化平台的主要功能面向全警提供一个集强大计算存储能力海量数据融合资源、智能应用服于体的集约化智能平台,服务全局公安信息化工作。

（一）特色功能1.大数据安全体系基于云计算、大数据、新一代公安信息网、多网融合的“安全、可信、合规”的立体化纵深防御体系，根据大数据智能化平台安全基础，分阶段实现立体化纵深防御体系的建设，为公安大数据智能化建设和运行提供坚实保障。

面向全警提供集约化大数据智能化平台以融合、可持续发展为原则，实现技术统筹、能力统筹、数据统筹、服务统筹、支撑统筹，建设大数据智能化平台，面向全警提供一个集强大计算存储能力、海量数据融合资源、智能应用服务于-体的集约化智能平台，服务全局公安信息化工作。

2.云计算中台云计算中心能有效实现硬件资源统筹、计算资源共享、可持续升级更新，进-步提升全市公安业务的高效计算、智能计算水平。

变电站设备巡检系统中大数据与人工智能的应用研究摘要：随着科技的发展，人们对于电力的需求日益增加，变电站作为电力系统中的重要组成部分，承担着向用户提供电能的责任。

在变电站中，各类设备处于运行状态，其运行状态直接影响着电网的稳定性。

为了保证变电站的安全稳定运行，必须加强对其进行日常巡检和维护。

基于此，本文将对大数据与人工智能技术在变电站设备巡检系统中的应用进行分析，以供参考与借鉴。

关键词：变电站；设备巡检；人工智能引言：随着科学技术的不断发展，大数据和人工智能技术已经应用到各行各业中。

在电力行业中，为了提高电网运行的可靠性，必须加强对变电站的巡检工作。

传统的巡检方式主要是利用人工进行巡检，这种方式存在效率低、漏检率高等问题。

因此，将大数据与人工智能技术充分的应用到变电站设备巡检中就显得尤为重要。

1、研究背景综述人力巡检仍是我国变电站设备巡检工作的主要工作模式，但是由于变电站设备巡检工作环境相对恶劣，巡检工作强度相对较高，从而使得设备巡检工作的实际效率始终处于相对较低的水平。

并且，技能水平不同的巡检人员在巡检过程中发现的问题也是各不相同，从而导致设备巡检结果的精准性以及客观性难以保障。

随之时代的发展与社会的进步，人们对于电力能源的需求也在不断的提高，变电站数量也在不断的增加，人工巡检工作已然无法再适应当前的高工作强度以及相对较为恶劣的自然环境。

同时巡检结果的误差性，也导致巡检工作事倍功半。

在环境较为恶劣的条件下，例如高原地区或是高寒地区，人工巡检工作的开展难度变得更大。

因此，为切实保证变电站设备运行安全，保证电网运行稳定，需要借助人工智能技术以及大数据技术来对当前的设备巡检工作加以创新[1]。

变电站设备巡检模式的改变会随之自主检测技术的发展而得到进一步的发展，当前相对较为常见的自主检测技术涵盖视频监控技术以及红外扫描技术等，可以对变电站设备的运维情况进行精准的反馈。

随之高新技术的应用，使得巡检人员的工作难度也会出现略微的提升，因此巡检人员需要具备技术操作能力。

本栏目责任编辑：唐一东人工智能及识别技术促进互联网大数据人工智能与实体经济深度融合研究曾晓娟（江苏安全技术职业学院，江苏徐州221011）摘要:新一轮科技革命与产业变革正在由大数据人工智能引领，人工智能等高新技术协助徐州打造智慧城市，方方面面都得到高效发展。

该文就徐州人工智能等高新技术与实体经济的深度融合的相关内容进行研究，查找出实体经济发展过程中的问题及并分析其改进措施。

关键词：人工智能；实体经济；深度融合；研究中图分类号：F424文献标识码：A文章编号：1009-3044(2020)35-0182-02开放科学（资源服务）标识码（OSID ）：Research on Promoting the Deep Integration of Internet Big Data Artificial Intelligence and Real Economy ZENG Xiao-juan(Jiangsu College of Safety Technology,Xuzhou 221011,China)Abstract:A new round of scientific and technological revolution and industrial transformation is being led by big data artificial in⁃telligence.High and new technologies such as artificial intelligence help Xuzhou to build a smart city,and all aspects have been de⁃veloped efficiently.In this paper,Xuzhou artificial intelligence and other high-tech and deep integration of the real economy relat⁃ed content to find out the problems in the development of the real economy and analyze the improvement measures.Key words:artificial Intelligence;real economy;deep integration;research1引言新一轮科技革命与产业变革正在由大数据人工智能引领，对现在和未来的经济与发展将产生很大的影响。

计算机研究与发展ＩＳＳＮ　１０００－１２３９?ＣＮ　１１－１７７７?ＴＰＪｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　５０（９）：１７９９－１８０４，２０１３　收稿日期：２０１３－０８－１６；修回日期：２０１３－０８－１９深度学习的昨天、今天和明天余　凯　贾　磊　陈雨强　徐　伟（百度　北京　１０００８５）（ｙｕｋａｉ＠ｂａｉｄｕ．ｃｏｍ）Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ：Ｙｅｓｔｅｒｄａｙ，Ｔｏｄａｙ，ａｎｄ　ＴｏｍｏｒｒｏｗＹｕ　Ｋａｉ，Ｊｉａ　Ｌｅｉ，Ｃｈｅｎ　Ｙｕｑｉａｎｇ，ａｎｄ　Ｘｕ　Ｗｅｉ（Ｂａｉｄｕ，Ｂｅｉｊｉｎｇ１０００８５）Ａｂｓｔｒａｃｔ　Ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ａｒｅａ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ．Ｓｉｎｃｅ　１９８０ｓ，ｈｕｇｅ　ｓｕｃｃｅｓｓｈａｓ　ｂｅｅｎ　ａｃｈｉｅｖｅｄ　ｉｎ　ｔｅｒｍｓ　ｏｆ　ａｌｇｏｒｉｔｈｍｓ，ｔｈｅｏｒｙ，ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ．Ｆｒｏｍ　２００６，ａ　ｎｅｗ　ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ　ｐａｒａｄｉｇｍ，ｎａｍｅｄ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ，ｈａｓ　ｂｅｅｎ　ｐｏｐｕｌａｒ　ｉｎ　ｔｈｅ　ｒｅｓｅａｒｃｈ　ｃｏｍｍｕｎｉｔｙ，ａｎｄ　ｈａｓｂｅｃｏｍｅ　ａ　ｈｕｇｅ　ｗａｖｅ　ｏｆ　ｔｅｃｈｎｏｌｏｇｙ　ｔｒｅｎｄ　ｆｏｒ　ｂｉｇ　ｄａｔａ　ａｎｄ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ．Ｄｅｅｐ　ｌｅａｒｎｉｎｇｓｉｍｕｌａｔｅｓ　ｔｈｅ　ｈｉｅｒａｒｃｈｉｃａｌ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｈｕｍａｎ　ｂｒａｉｎ，ｐｒｏｃｅｓｓｉｎｇ　ｄａｔａ　ｆｒｏｍ　ｌｏｗｅｒ　ｌｅｖｅｌ　ｔｏ　ｈｉｇｈｅｒ　ｌｅｖｅｌ，ａｎｄ　ｇｒａｄｕａｌｌｙ　ｃｏｍｐｏｓｉｎｇ　ｍｏｒｅ　ａｎｄ　ｍｏｒｅ　ｓｅｍａｎｔｉｃ　ｃｏｎｃｅｐｔｓ．Ｉｎ　ｒｅｃｅｎｔ　ｙｅａｒｓ，Ｇｏｏｇｌｅ，Ｍｉｃｒｏｓｏｆｔ，ＩＢＭ，ａｎｄ　Ｂａｉｄｕ　ｈａｖｅ　ｉｎｖｅｓｔｅｄ　ａ　ｌｏｔ　ｏｆ　ｒｅｓｏｕｒｃｅｓ　ｉｎｔｏ　ｔｈｅ　Ｒ＆Ｄ　ｏｆ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ，ｍａｋｉｎｇ　ｓｉｇｎｉｆｉｃａｎｔｐｒｏｇｒｅｓｓｅｓ　ｏｎ　ｓｐｅｅｃｈ　ｒｅｃｏｇｎｉｔｉｏｎ，ｉｍａｇｅ　ｕｎｄｅｒｓｔａｎｄｉｎｇ，ｎａｔｕｒａｌ　ｌａｎｇｕａｇｅ　ｐｒｏｃｅｓｓｉｎｇ，ａｎｄ　ｏｎｌｉｎｅａｄｖｅｒｔｉｓｉｎｇ．Ｉｎ　ｔｅｒｍｓ　ｏｆ　ｔｈｅ　ｃｏｎｔｒｉｂｕｔｉｏｎ　ｔｏ　ｒｅａｌ－ｗｏｒｌｄ　ａｐｐｌｉｃａｔｉｏｎｓ，ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ｉｓ　ｐｅｒｈａｐｓ　ｔｈｅ　ｍｏｓｔｓｕｃｃｅｓｓｆｕｌ　ｐｒｏｇｒｅｓｓ　ｍａｄｅ　ｂｙ　ｔｈｅ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｃｏｍｍｕｎｉｔｙ　ｉｎ　ｔｈｅ　ｌａｓｔ　１０ｙｅａｒｓ．Ｉｎ　ｔｈｉｓ　ａｒｔｉｃｌｅ，ｗｅｗｉｌｌ　ｇｉｖｅ　ａ　ｈｉｇｈ－ｌｅｖｅｌ　ｏｖｅｒｖｉｅｗ　ａｂｏｕｔ　ｔｈｅ　ｐａｓｔ　ａｎｄ　ｃｕｒｒｅｎｔ　ｓｔａｇｅ　ｏｆ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ，ｄｉｓｃｕｓｓ　ｔｈｅ　ｍａｉｎｃｈａｌｌｅｎｇｅｓ，ａｎｄ　ｓｈａｒｅ　ｏｕｒ　ｖｉｅｗｓ　ｏｎ　ｔｈｅ　ｆｕｔｕｒｅ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ．Ｋｅｙ　ｗｏｒｄｓ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ；ｄｅｅｐ　ｌｅａｒｎｉｎｇ；ｓｐｅｅｃｈ　ｒｅｃｏｇｎｉｔｉｏｎ；ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ；ｎａｔｕｒａｌ　ｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ；ｏｎｌｉｎｅ　ａｄｖｅｒｔｉｓｉｎｇ摘　要　机器学习是人工智能领域的一个重要学科．自从２０世纪８０年代以来，机器学习在算法、理论和应用等方面都获得巨大成功．２００６年以来，机器学习领域中一个叫“深度学习”的课题开始受到学术界广泛关注，到今天已经成为互联网大数据和人工智能的一个热潮．深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系．近年来，谷歌、微软、ＩＢＭ、百度等拥有大数据的高科技公司相继投入大量资源进行深度学习技术研发，在语音、图像、自然语言、在线广告等领域取得显著进展．从对实际应用的贡献来说，深度学习可能是机器学习领域最近这十年来最成功的研究方向．将对深度学习发展的过去和现在做一个全景式的介绍，并讨论深度学习所面临的挑战，以及将来的可能方向．关键词　机器学习；深度学习；语音识别；图像识别；自然语言处理；在线广告中图法分类号　ＴＰ１８ ２０１２年６月，《纽约时报》披露了谷歌的ＧｏｏｇｌｅＢｒａｉｎ项目［１］，吸引了公众的广泛关注．这个项目是由著名的斯坦福大学的机器学习教授Ｎｇ和在大规模计算机系统方面的世界顶尖专家Ｄｅａｎ共同主导，用１６　０００个ＣＰＵ　Ｃｏｒｅ的并行计算平台训练一种称为“深度神经网络”（ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ，ＤＮＮ）的机器学习模型，在语音识别和图像识别等领域获得了巨大的成功．２０１２年１１月，微软在中国天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译和中文语音合成，效果非常流畅．据报道，后面支撑的关键技术也是ＤＮＮ，或者深度学习（ｄｅｅｐ　ｌｅａｒｎｉｎｇ，ＤＬ）［２］．２０１３年的１月，在中国最大的互联网搜索引擎公司百度的年会上，创始人兼ＣＥＯ李彦宏高调宣布要成立百度研究院，其中第一个重点方向的就是深度学习，并为此而成立Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ（ＩＤＬ）．这是百度成立１０多年以来第一次成立研究院［３］．２０１３年４月，《麻省理工学院技术评论》（ＭＩＴ　Ｔｅｃｈｎｏｌｏｇｙ　Ｒｅｖｉｅｗ）杂志将深度学习列为２０１３年十大突破性技术（ｂｒｅａｋｔｈｒｏｕｇｈ　ｔｅｃｈｎｏｌｏｇｙ）之首［４］．为什么深度学习受到学术届和工业界如此广泛的重视？深度学习技术研发面临什么样的科学和工程问题？深度学习带来的科技进步将怎样改变人们的生活？本文将简要回顾机器学习在过去２０多年的发展，介绍深度学习的昨天、今天和明天．１　机器学习的两次浪潮：从浅层学习到深度学习 在解释深度学习之前，我们需要了解什么是机器学习．机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词．简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测．从２０世纪８０年代末期以来，机器学习的发展大致经历了两次浪潮：浅层学习（ｓｈａｌｌｏｗ　ｌｅａｒｎｉｎｇ）和深度学习（ｄｅｅｐ　ｌｅａｒｎｉｎｇ）．需要指出是，机器学习历史阶段的划分是一个仁者见仁，智者见智的事情，从不同的维度来看会得到不同的结论．这里我们是从机器学习模型的层次结构来看的．１．１　第一次浪潮：浅层学习２０世纪８０年代末期，用于人工神经网络的反向传播算法（也叫Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ算法或者ＢＰ算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮［５］．这个热潮一直持续到今天．人们发现，利用ＢＰ算法可以让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测．这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显示出优越性．这个时候的人工神经网络，虽然也被称作多层感知机（ｍｕｌｔｉ－ｌａｙｅｒ　ｐｅｒｃｅｐｔｒｏｎ），由于多层网络训练的困难，实际使用的多数是只含有一层隐层节点的浅层模型．２０世纪９０年代，各种各样的浅层机器学习模型相继被提出，比如支撑向量机（ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＳＶＭ），Ｂｏｏｓｔｉｎｇ，最大熵方法（比如ｌｏｇｉｓｔｉｃ　ｒｅｇｒｅｓｓｉｏｎ，ＬＲ）等．这些模型的结构基本上可以看成带有一层隐层节点（如ＳＶＭ，Ｂｏｏｓｔｉｎｇ），或没有隐层节点（如ＬＲ）．这些模型在无论是理论分析还是应用都获得了巨大的成功．相比较之下，由于理论分析的难度，而且训练方法需要很多经验和技巧，这个时期多层人工神经网络反而相对较为沉寂．２０００年以来互联网的高速发展，对大数据的智能化分析和预测提出了巨大需求，浅层学习模型在互联网应用上获得了巨大的成功．最成功的应用包括搜索广告系统（比如谷歌的Ａｄｗｏｒｄｓ、百度的凤巢系统）的广告点击率ＣＴＲ预估、网页搜索排序（比如雅虎和微软的搜索引擎）、垃圾邮件过滤系统、基于内容的推荐系统，等等．１．２　第二次浪潮：深度学习２００６年，加拿大多伦多大学教授，机器学习领域的泰斗Ｈｉｎｔｏｎ和他的学生Ｓａｌａｋｈｕｔｄｉｎｏｖ在顶尖学术刊物《科学》上发表了一篇文章［６］，开启了深度学习在学术界和工业界的浪潮．这篇文章有两个主要的讯息：１）很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻划，从而有利于可视化或分类；２）深度神经网络在训练上的难度，可以通过＂逐层初始化”（ｌａｙｅｒ－ｗｉｓｅ　ｐｒｅ－ｔｒａｉｎｉｎｇ）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的．自２００６年以来，深度学习在学术界持续升温．斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇．２０１０年，美国国防部ＤＡＲＰＡ计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和ＮＥＣ美国研究院．支持深度学习的一个重要依据，就是脑神经系统的确具有丰富的层次结构．一个最著名的例子就是Ｈｕｂｅｌ－Ｗｉｅｓｅｌ模型，由于揭示了视觉神经的机理而曾获得诺贝尔医学与生理学奖．除了仿生学的角度，目前深度学习的理论研究还基本处于起步阶段，但在应用领域已经显现巨大能量．２０１１年以来，微软研究院和谷歌的语音００８１计算机研究与发展　２０１３，５０（９）识别研究人员先后采用ＤＮＮ技术降低语音识别错误率２０％～３０％，是语音识别领域１０多年来最大的突破性进展．２０１２年ＤＮＮ技术在图像识别领域取得惊人的效果，在ＩｍａｇｅＮｅｔ评测上将错误率从２６％降低到１５％．在这一年，ＤＮＮ还被应用于制药公司的Ｄｒｕｇｅ　Ａｃｔｉｖｉｔｙ预测问题，并获得世界最好成绩，这一重要成果被《纽约时报》报道．正如文章开头所描述的，今天谷歌、微软、百度等知名的拥有大数据的高科技公司争相投入资源，占领深度学习的技术制高点，正是因为他们都看到了大数据时代，更加复杂且更加强大的深度模型的能深刻揭示海量数据里所承载的负责而丰富的信息，并对未来或未知事件做更精准的预测．２　大数据与深度学习在工业界一直有一个很流行的观点：在大数据条件下，简单的机器学习模型会比复杂模型更加有效．比如说，在很多的大数据应用中，最简单的线性模型得到大量使用．而最近深度学习的惊人进展促使我们也许到了要重新思考这个观点的时候．简而言之，在大数据情况下，也许只有比较复杂的模型，或者说表达能力强的模型，才能够充分发掘海量数据中蕴藏的丰富信息．现在我们到了需要重新思考“大数据＋简单模型”的时候．运用更强大的深度模型，也许我们能从大数据中发掘出更多的有价值的信息和知识．为了理解为什么大数据需要深度模型，先举一个例子．语音识别已经是一个大数据的机器学习问题，在其声学建模部分，通常面临的是十亿到千亿级别的训练样本．在谷歌的一个语音识别实验中，发现训练后的ＤＮＮ对训练样本和测试样本的预测误差基本相当．这是非常违反常识的，因为通常模型在训练样本上的预测误差会显著小于测试样本．只有一个解释，就是由于大数据里含有丰富的信息维度，即便是ＤＮＮ这样的高容量复杂模型也是处于欠拟合的状态，更不必说传统的ＧＭＭ声学模型了．所以在这个例子里我们看出，大数据需要深度学习．浅层模型有一个重要特点，就是假设靠人工经验来抽取样本的特征，而强调模型主要是负责分类或预测．在模型的运用不出差错的前提下（比如，假设互联网公司聘请的是机器学习的专家），特征的好坏就成为整个系统性能的瓶颈．因此，通常一个开发团队中更多的人力是投入到发掘更好的特征上去的．发现一个好的特征，要求开发人员对待解决的问题要有很深入的理解．而达到这个程度，往往需要反复的摸索，甚至是数年磨一剑．因此，人工设计样本特征，不是一个可扩展的途径．深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性．所以，“深度模型”是手段，“特征学习”是目的．区别于传统的浅层学习，深度学习的不同在于：１）强调了模型结构的深度，通常有５层、６层、甚至１０多层的隐层节点；２）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而分类或预测更加容易．与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻划数据的丰富内在信息．所以，在未来的几年里，我们将看到越来越多的例子，深度模型应用于大数据，而不是浅层的线性模型．３　深度学习的应用３．１　语音识别语音识别系统长期以来，描述每个建模单元的统计概率模型时候，大都是采用的混合高斯模型（ＧＭＭ）．这种模型由于估计简单，适合海量数据训练，同时有成熟的区分度训练技术支持，长期以来，一直在语音识别应用中占有垄断性地位．但是这种混合高斯模型本质上是一种浅层网络建模，不能够充分描述特征的状态空间分布．另外，ＧＭＭ建模的特征维数一般是几十维，不能充分描述特征之间的相关性．最后ＧＭＭ建模本质上是一种似然概率建模，虽然区分度训练能够模拟一些模式类之间的区分性，但是能力有限．微软研究院的语音识别专家Ｌｉ和Ｄｏｎｇ从２００９年开始和深度学习专家Ｈｉｎｔｏｎ合作．２０１１年微软基于深度神经网络的语音识别研究取得成果，彻底底改变了语音识别原有的技术框架［７］．采用深度神经网络后，可以充分描述特征之间的相关性，可以把连续多帧的语音特征并在一起，构成一个高维特征．最终的深度神经网络可以采用高维特征训练来模拟的．由于深度神经网络采用模拟人脑的多层结果，可以逐级地进行信息特征抽取，最终形成适合模式分类的较理想特征．这种多层结构和人脑处理语音图像信息的时候，是有很大的相似性的．深度神经网络的建模技术，在实际线上服务时，能够无缝地１０８１余　凯等：深度学习的昨天、今天和明天和传统的语音识别技术相结合，在不引起任何系统额外耗费情况下大幅度地提升了语音识别系统的识别率．其在线的使用方法具体如下：在实际解码过程中，声学模型仍然是采用传统的ＨＭＭ模型，语音模型仍然是采用传统的统计语言模型，解码器仍然是采用传统的动态ＷＦＳＴ解码器．但是在声学模型的输出分布计算时，完全用神经网络的输出后验概率除以一个先验概率来代替传统ＨＭＭ模型中的ＧＭＭ的输出似然概率．百度实践中发现，采用ＤＮＮ进行声音建模的语音识别系统的相比于传统的ＧＭＭ语音识别系统而言，相对误识别率能降低２５％．最终在２０１２年１１月的时候，上线了第一款基于ＤＮＮ的语音搜索系统，成为最早采用ＤＮＮ技术进行商业语音服务的公司之一．国际上谷歌也采用了深度神经网络进行声音建模，和百度一起是最早的突破深度神经网络工业化应用的企业之一．但是谷歌产品中采用的深度神经网络有４～５层［８］，而百度采用的深度神经网络多达９层．这种结构差异的核心其实是百度更好的解决了深度神经网络在线计算的技术难题，从而百度线上产品可以采用更复杂的网络模型．这将对于未来拓展海量语料的ＤＮＮ模型训练有更大的优势．３．２　图像识别图像是深度学习最早尝试的应用领域．早在１９８９年，ＬｅＣｕｎ（现纽约大学教授）和他的同事们就发表了卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ，ＣＮＮ）的工作［９］．ＣＮＮ是一种带有卷积结构的深度神经网络，通常至少有２个非线性可训练的卷积层、２个非线性的固定卷积层（又叫ｐｏｏｌｉｎｇ　ｌａｙｅｒ）和１个全连接层，一共至少５个隐含层．ＣＮＮ的结构受到著名的Ｈｕｂｅｌ－Ｗｉｅｓｅｌ生物视觉模型的启发，尤其是模拟视觉皮层Ｖ１和Ｖ２层中ｓｉｍｐｌｅ　ｃｅｌｌ和ｃｏｍｐｌｅｘ　ｃｅｌｌ的行为．在很长时间里，ＣＮＮ虽然在小规模的问题上，比如说手写数字，取得当时世界最好结果，但一直没有取得巨大成功．这主要原因是ＣＮＮ在大规模图像上效果不好，比如像素很多的自然图片内容理解，所以没有得到计算机视觉领域的足够重视．这个情况一直持续到２０１２年１０月，Ｈｉｎｔｏｎ和他的两个学生在著名的ＩｍａｇｅＮｅｔ问题上用更深的ＣＮＮ取得世界最好结果，使得图像识别大踏步前进［１０］．在Ｈｉｎｔｏｎ的模型里，输入就是图像的像素，没有用到任何的人工特征．这个惊人的结果为什么在之前没有发生？原因当然包括算法的提升，比如ｄｒｏｐｏｕｔ等防止过拟合技术，但最重要的是ＧＰＵ带来的计算能力提升和更多的训练数据．百度在２０１２年底将深度学习技术成功应用于自然图像ＯＣＲ识别和人脸识别等问题，并推出相应的桌面和移动搜索产品，在２０１３年，深度学习模型被成功应用于一般图片的识别和理解．从百度的经验来看，深度学习应用于图像识别不但大大提升了准确性，而且避免了人工特征抽取的时间消耗，从而大大提高了在线计算效率．可以很有把握地说，从现在开始，深度学习将取代人工特征＋机器学习的方法而逐渐成为主流图像识别方法．３．３　自然语言处理除了语音和图像，深度学习的另一个应用领域问题自然语言处理（ＮＬＰ）．经过几十年的发展，基于统计的模型已经成为ＮＬＰ的主流，但是作为统计方法之一的人工神经网络在ＮＬＰ领域几乎没有受到重视．本文作者之一徐伟曾最早应用神经网络于语言模型［１１］．加拿大蒙特利尔大学教授Ｂｅｎｇｉｏ等于２００３年提出用ｅｍｂｅｄｄｉｎｇ的方法将词映射到一个矢量表示空间，然后用非线性神经网络来表示Ｎ－Ｇｒａｍ模型［１２］．世界上最早的深度学习用于ＮＬＰ的研究工作诞生于ＮＥＣ　Ｌａｂｓ　Ａｍｅｒｉｃａ［１３］，其研究员Ｃｏｌｌｏｂｅｒｔ和Ｗｅｓｔｏｎ从２００８年开始采用ｅｍｂｅｄｄｉｎｇ和多层一维卷积的结构，用于ＰＯＳ　ｔａｇｇｉｎｇ，Ｃｈｕｎｋ－ｉｎｇ，Ｎａｍｅｄ　Ｅｎｔｉｔｙ　Ｒｅｃｏｇｎｉｔｉｏｎ，Ｓｅｍａｎｔｉｃ　ＲｏｌｅＬａｂｅｌｉｎｇ等４个典型ＮＬＰ问题．值得注意的是，他们将同一个模型用于不同任务，都能取得与ｓｔａｔｅ－ｏｆ－ｔｈｅ－ａｒｔ相当的准确率．最近以来，斯坦福大学教授Ｍａｎｎｉｎｇ等人在深度学习用于ＮＬＰ的工作也值得关注［１４］．总的来说，深度学习在ＮＬＰ上取得的进展没有在语音图像上那么令人影响深刻．一个很有意思的悖论是：相比于声音和图像，语言是唯一的非自然信号，是完全由人类大脑产生和处理的符号系统，但是模仿人脑结构的人工神经网络确似乎在处理自然语言上没有显现明显优势？我们相信深度学习在ＮＬＰ方面有很大的探索空间．从２００６年图像深度学习成为学术界热门课题到２０１２年１０月Ｈｉｎｔｏｎ在ＩｍａｇｅＮｅｔ上的重大突破，经历了６年时间．我们需要有足够耐心．３．４　搜索广告ＣＴＲ预估搜索广告是搜索引擎的主要变现方式，而按点击付费（ｃｏｓｔ　ｐｅｒ　ｃｌｉｃｋ，ＣＰＣ）又是其中被最广泛应用的计费模式．在ＣＰＣ模式下，预估的ＣＴＲ（ｐＣＴＲ）越准确，点击率就会越高，收益就越大．通常，搜索广２０８１计算机研究与发展　２０１３，５０（９）告的ｐＣＴＲ是通过机器学习模型预估得到．提高ｐＣＴＲ的准确性，是提升搜索公司、广告主、搜索用户三方利益的最佳途径．传统上，谷歌、百度等搜索引擎公司以ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ（ＬＲ）作为预估模型．而从２０１２年开始，百度开始意识到模型的结构对广告ＣＴＲ预估的重要性：使用扁平结构的ＬＲ严重限制了模型学习与抽象特征的能力．为了突破这样的限制，百度尝试将ＤＮＮ作用于搜索广告，而这其中最大的挑战在于当前的计算能力还无法接受１０１１级别的原始广告特征作为输入．作为解决，在百度的ＤＮＮ系统里，特征数从１０１１数量级被降到了１０３，从而能被ＤＮＮ正常的学习．这套深度学习系统已于２０１３年５月开始服务于百度搜索广告系统，每天为数亿网民使用．ＤＮＮ在搜索广告系统中的应用还远远没到成熟，其中ＤＮＮ与迁移学习的结合将可能是一个令人振奋的方向．使用ＤＮＮ，未来的搜索广告将可能借助网页搜索的结果优化特征的学习与提取；亦可能通过ＤＮＮ将不同的产品线联系起来，使得不同的变现产品不管数据多少，都能互相优化．我们认为未来的ＤＮＮ一定会在搜索广告中起到更重要的作用．４　深度学习研发面临的重大问题４．１　理论问题理论问题主要体现在两个方面，一个是统计学习方面的，另一个是计算方面的．我们已经知道，深度模型相比较于浅层模型有更好的对非线性函数的表示能力．具体来说，对于任意一个非线性函数，根据神经网络的ｕｎｉｖｅｒｓａｌ　ａｐｐｒｏｘｉｍａｔｉｏｎ　ｔｈｅｏｒｙ，我们一定能找到一个浅层网络和一个深度网络来足够好的表示．但是某些类函数，深度网络只需要少得多的参数就可以表示．但是，可表示性不代表可学习性．我们需要了解深度学习的样本复杂度，也就是我们需要多少训练样本才能学习到足够好的深度模型．在另一方面来说，我们需要多少的计算资源才能通过训练得到更好的模型，理想的计算优化方法是什么？由于深度模型都是非凸函数，这方面的理论研究极其困难．４．２　建模问题在推进深度学习的学习理论和计算理论的同时，我们是否可以提出新的分层模型，使其不但具有传统深度模型所具有的强大表示能力，而且具有其他的好处，比如更容易做理论分析．另外，针对具体应用问题，我们如何设计一个最适合的深度模型来解决问题？我们已经看到，无论在图像深度模型，还是语言深度模型，似乎都存在深度和卷积等共同的信息处理结构．甚至对于语音声学模型，研究人员也在探索卷积深度网络．那么一个更有意思的问题是，是否存在可能建立一个通用的深度模型或深度模型的建模语言，作为统一的框架来处理语音、图像和语言？另外，对于怎么用深度模型来表示象语义这样的结构化的信息还需要更多的研究．从人类进化的角度来看，语言的能力是远远滞后于视觉和听觉的能力而发展的．而除了人类以外，还有很多动物具有很好的识别物体和声音的能力．因此从这个角度来说，对于神经网络这样的结构而言，语言相较于视觉和听觉是更为困难的一个任务．而成功的解决这个难题对于实现人工智能是不可缺少的一步．４．３　工程问题需要指出的是，对于互联网公司而言，如何在工程上利用大规模的并行计算平台来实现海量数据训练，是各个公司从事深度学习技术研发首先要解决的问题．传统的大数据平台如Ｈａｄｏｏｐ，由于数据处理的ｌａｔｅｎｃｙ太高，显然不适合需要频繁迭代的深度学习．现有成熟的ＤＮＮ训练技术大都是采用随机梯度法（ＳＧＤ）方法训练的．这种方法本身不可能在多个计算机之间并行．即使是采用ＧＰＵ进行传统的ＤＮＮ模型进行训练，其训练时间也是非常漫长的．一般训练几千小时的声学模型所需要几个月的时间．而随着互联网服务的深入，海量数据训练越来越重要，ＤＮＮ这种缓慢的训练速度必然不能满足互联网服务应用的需要．谷歌搭建的ＤｉｓｔＢｅｌｉｅｆ，是一个采用普通服务器的深度学习并行计算平台，采用异步算法，由很多的计算单元独立的更新同一个参数服务器的模型参数，实现了随机梯度下降算法的并行化，加快了模型训练速度．与谷歌采用普通服务器不同，百度的多ＧＰＵ并行计算的计算平台，克服了传统ＳＧＤ训练的不能并行的技术难题，神经网络的训练已经可以在海量语料上并行展开．可以预期未来随着海量数据训练的ＤＮＮ技术的发展，语音图像系统的识别率还会持续提升．目前最大的深度模型所包含的参数大约在１００亿的数量级，还不及人脑的万分之一．而由于计算成本的限制，实际运用于产品中的深度模型更是远远低于这个水平．而深度模型的一个巨大优势在于，在有海量数据的情况下，很容易通过增大模型来达到３０８１余　凯等：深度学习的昨天、今天和明天更高的准确率．因此，发展适合深度模型的更高速的硬件也将是提高深度模型的识别率的重要方向．５　总 结深度学习带来了机器学习的一个新浪潮，受到从学术届到工业界的广泛重视，也导致了“大数据＋深度模型”时代的来临．在应用方面，深度学习使得语音图像的智能识别和理解取得惊人进展，从而推动人工智能和人机交互大踏步前进．同时ｐＣＴＲ这样的复杂机器学习任务也得到显著提升．如果我们能在理论、建模和工程方面，突破深度学习技术面临一系列难题，我们将大大加速推进人工智能向前发展．参考文献［１］Ｍａｒｋｏｆｆ　Ｊ．Ｈｏｗ　ｍａｎｙ　ｃｏｍｐｕｔｅｒｓ　ｔｏ　ｉｄｅｎｔｉｆｙ　ａ　ｃａｔ？［Ｎ］ＴｈｅＮｅｗ　Ｙｏｒｋ　Ｔｉｍｅｓ，２０１２－０６－２５［２］Ｍａｒｋｏｆｆ　Ｊ．Ｓｃｉｅｎｔｉｓｔｓ　ｓｅｅ　ｐｒｏｍｉｓｅ　ｉｎ　ｄｅｅｐ－ｌｅａｒｎｉｎｇ　ｐｒｏｇｒａｍｓ［Ｎ］．Ｔｈｅ　Ｎｅｗ　Ｙｏｒｋ　Ｔｉｍｅｓ，２０１２－１１－２３［３］Ｌｉ　Ｙａｎｈｏｎｇ．Ｔｏ　ｂｅｌｉｅｖｅ　ｉｎ　ｔｈｅ　ｐｏｗｅｒ　ｏｆ　ｔｅｃｈｎｏｌｏｇｙ［Ｒ］．Ｂｅｉｊｉｎｇ：Ｂａｉｄｕ，２０１３（ｉｎ　Ｃｈｉｎｅｓｅ）（李彦宏．２０１２百度年会主题报告：相信技术的力量［Ｒ］．北京：百度，２０１３）［４］１０Ｂｒｅａｋｔｈｒｏｕｇｈ　Ｔｅｃｈｎｏｌｏｇｉｅｓ　２０１３［Ｎ］．ＭＩＴ　ＴｅｃｈｎｏｌｏｇｙＲｅｖｉｅｗ，２０１３－０４－２３［５］Ｒｕｍｅｌｈａｒｔ　Ｄ，Ｈｉｎｔｏｎ　Ｇ，Ｗｉｌｌｉａｍｓ　Ｒ．Ｌｅａｒｎｉｎｇｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　ｂａｃｋ－ｐｒｏｐａｇａｔｉｎｇ　ｅｒｒｏｒｓ［Ｊ］．Ｎａｔｕｒｅ，１９８６，３２３（６０８８）：５３３－５３６［６］Ｈｉｎｔｏｎ　Ｇ，Ｓａｌａｋｈｕｔｄｉｎｏｖ　Ｒ．Ｒｅｄｕｃｉｎｇ　ｔｈｅ　ｄｉｍｅｎｓｉｏｎａｌｉｔｙ　ｏｆｄａｔａ　ｗｉｔｈ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００６，３１３（５０４）．Ｄｏｉ：１０．１１２６?ｓｃｉｅｎｃｅ．１１２７６４７［７］Ｄａｈｌ　Ｇ，Ｙｕ　Ｄｏｎｇ，Ｄｅｎｇ　Ｌｉ，ｅｔ　ａｌ．Ｃｏｎｔｅｘｔ－ｄｅｐｅｎｄｅｎｔ　ｐｒｅ－ｔｒａｉｎｅｄ　ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｌａｒｇｅ　ｖｏｃａｂｕｌａｒｙ　ｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ａｕｄｉｏ，Ｓｐｅｅｃｈ，ａｎｄＬａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ．２０１２，２０（１）：３０－４２［８］Ｊａｉｔｌｙ　Ｎ，Ｎｇｕｙｅｎ　Ｐ，Ｎｇｕｙｅｎ　Ａ，ｅｔ　ａｌ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆｐｒｅｔｒａｉｎｅｄ　ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｔｏ　ｌａｒｇｅ　ｖｏｃａｂｕｌａｒｙ　ｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］??Ｐｒｏｃ　ｏｆ　Ｉｎｔｅｒｓｐｅｅｃｈ，Ｇｒｅｎｏｂｌｅ，Ｆｒａｎｃｅ：Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｐｅｅｃｈ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ａｓｓｏｃｉａｔｉｏｎ，２０１２［９］ＬｅＣｕｎ　Ｙ，Ｂｏｓｅｒ　Ｂ，Ｄｅｎｋｅｒ　Ｊ　Ｓ，ｅｔ　ａｌ．Ｂａｃｋｐｒｏｐａｇａｔｉｏｎａｐｐｌｉｅｄ　ｔｏ　ｈａｎｄｗｒｉｔｔｅｎ　ｚｉｐ　ｃｏｄｅ　ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，１９８９，１：５４１－５５１［１０］Ｌａｒｇｅ　Ｓｃａｌｅ　Ｖｉｓｕａｌ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｃｈａｌｌｅｎｇｅ　２０１２（ＩＬＳＶＲＣ２０１２）［ＯＬ］．［２０１３－０８－０１］．ｈｔｔｐ：??ｗｗｗ．ｉｍａｇｅ－ｎｅｔ．ｏｒｇ?ｃｈａｌｌｅｎｇｅｓ?ＬＳＶＲＣ?２０１２?［１１］Ｘｕ　Ｗ，Ｒｕｄｎｉｃｋｙ　Ａ．Ｃａｎ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｌｅａｒｎｌａｎｇｕａｇｅ　ｍｏｄｅｌｓ［Ｃ］??Ｐｒｏｃ　ｏｆ　Ｉｎｔ　Ｃｏｎｆ　ｏｎ　ＳｔａｔｉｓｔｉｃａｌＬａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ．２０００：１－１３［１２］Ｂｅｎｇｉｏ　Ｙ，Ｄｕｃｈａｒｍｅ　Ｒ，Ｖｉｎｃｅｎｔ　Ｐ，ｅｔ　ａｌ．Ａ　ｎｅｕｒａｌｐｒｏｂａｂｉｌｉｓｔｉｃ　ｌａｎｇｕａｇｅ　ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ　Ｒｅｓｅａｒｃｈ，２００３，３：１１３７－１１５５［１３］Ｃｏｌｌｏｂｅｒｔ　Ｒ，Ｗｅｓｔｏｎ　Ｊ，Ｂｏｔｔｏｕ　Ｌ，ｅｔ　ａｌ．Ｎａｔｕｒａｌ　ｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇ（Ａｌｍｏｓｔ）ｆｒｏｍ　ｓｃｒａｔｃｈ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ　Ｒｅｓｅａｒｃｈ，２０１１，１２：２４９３－２５３７［１４］Ｓｏｃｈｅｒ　Ｒ，Ｌｉｎ　Ｃ，Ｎｇ　Ａ．Ｐａｒｓｉｎｇ　ｎａｔｕｒａｌ　ｓｃｅｎｅｓ　ａｎｄ　ｎａｔｕｒａｌｌａｎｇｕａｇｅ　ｗｉｔｈ　ｒｅｃｕｒｓｉｖｅ　ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ［Ｃ］??Ｐｒｏｃ　ｏｆ　ｔｈｅ２８ｔｈ　Ｉｎｔ　Ｃｏｎｆ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ．Ｇａｒｍａｎｙ：ＩｎｔｅｒｎａｔｉｏｎａｌＭａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　Ｓｏｃｉｅｔｙ，２０１１Ｙｕ　Ｋａｉ．Ｒｅｃｅｉｖｅｄ　ｈｉｓ　ＰｈＤ　ｆｒｏｍ　ｔｈｅＵｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｕｎｉｃｈ　ｉｎ　２００４．Ｐｒｏｆｅｓｓｏｒ．Ｈｉｓ　ｍａｉｎ　ｒｅｓｅａｒｃｈ　ｉｎｔｅｒｅｓｔｓ　ｉｎｃｌｕｄｅｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ，ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ，ｅｔｃ．Ｊｉａ　Ｌｅｉ．Ｒｅｃｅｉｖｅｄ　ｈｉｓ　ＰｈＤ　ｄｅｇｒｅｅ　ｉｎ　ｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　ｔｈｅ　Ｉｎｓｔｉｔｕｔｅ　ｏｆＡｕｔｏｍａｔｉｏｎ，Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆＳｃｉｅｎｃｅｓ，ｉｎ　２００３．Ｈｉｓ　ｍａｉｎ　ｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓ　ｉｎｃｌｕｄｅ　ｓｐｅｅｃｈ　ｒｅｃｏｇｎｉｔｉｏｎ，ｍａｃｈｉｎｅ　ｌｅａｒｎｎｉｎｇ，ｄｉｇｉｔａｌ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　ｎａｔｕａｌｌａｎｇｕａｇｅ　ｐｒｏｃｅｓｓｉｎｇ．Ｃｈｅｎ　Ｙｕｑｉａｎｇ．Ｒｅｃｅｉｖｅｄ　ｈｉｓ　Ｍａｓｔｅｒ　ｄｅｇｒｅｅｆｒｏｍ　Ｓｈａｎｇｈａｉ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ．Ｅｎｇｉｎｅｅｒ．Ｈｉｓ　ｍａｉｎ　ｒｅｓｅａｒｃｈ　ｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅ　ｍａｃｈｉｎｇ　ｌｅａｒｎｉｎｇ．Ｘｕ　Ｗｅｉ．Ｒｅｃｅｉｖｅｄ　ｈｉｓ　Ｍａｓｔｅｒ　ｄｅｇｒｅｅ　ｆｒｏｍＣａｒｎｅｇｉｅ　Ｍｅｌｌｏｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｉｎ　２００１．Ｈｉｓｍａｉｎ　ｒｅｓｅａｒｃｈ　ｉｎｔｅｒｅｓｔｓ　ｉｎｃｌｕｄｅ　ｃｏｍｐｕｔｅｒｖｉｓｉｏｎ，ｄａｔａ　ｍｉｎｉｎｇ，ｍａｃｈｉｎｇ　ｌｅａｒｎｉｎｇｅｓｐｅｃｉａｌｌｙ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ．４０８１计算机研究与发展　２０１３，５０（９）。

人工智能赋能服务业高质量发展：理论逻辑、现实基础与实践路径作者：王小艳来源：《湖湘论坛》2020年第05期摘要：人工智能是服务业高质量发展的关键要素和重要推动力。

当前，服务业已经成为我国经济发展的主动力，而人工智能技术的发展为服务业转型升级创造了客观条件，人工智能技术在服务业中的应用也积累了丰富经验，但在发展模式、基础设施、制度体系、推进机制、人才保障等方面依然存在不足。

进一步加强人工智能与服务业的深度融合，助力服务业高质量发展，需要探索新业态新模式、夯实基础支撑、厚植制度优势、创新推进机制、壮大人才队伍，为人工智能赋能服务业高质量发展添薪续力。

关键词：人工智能;服务业;深度融合;赋能;高质量发展中图分类号：F59 文献标志码：A 文章编号：1004-3160（2020）05-0136-09人工智能（Artificial Intelligence，AI）概念诞生于1956年的“达茅斯会议”。

经过近半个世纪的发展，人工智能已经迈入了新的发展时代，即新一代人工智能时代。

[1]人工智能在生产生活各领域的广泛应用，也标志着人类社会进入到以服务业为主导的后工业化时代。

中国高度重视人工智能对经济发展、社会进步、全球治理等产生的重大影响，将人工智能的发展提升到国家战略层面，并大力推进人工智能技术的发展应用。

习近平总书记指出：“加快发展新一代人工智能是我们赢得全球科技竞争主动权的重要战略抓手，是推动我国科技跨越发展、产业优化升级、生产力整体跃升的重要战略资源。

”他强调，“要推动互联网、大数据、人工智能和实体经济深度融合，加快制造业、农业、服务业数字化、网络化、智能化”。

[2]国务院印发的《新一代人工智能发展规划》明确了人工智能发展的战略目标和重点任务，提出了人工智能在教育、医疗、健康和养老等民生领域和物流、金融、商务、家居等服务业领域深度应用的具体措施。

[3]着力推进人工智能与服务业的深度融合，实现服务业高质量发展，让每个人都能共享人工智能带来的红利，是新时代赋予人工智能新的历史使命。

教育信息化数码世界 P .171《数据库原理》课程在大数据专业课程体系建设中的地位和作用研究伞颖 哈尔滨广厦学院摘要：大数据时代，各个高校都在积极开设大数据专业，《数据库原理》课程是大数据专业中的核心课程，对大数据的数据分析等都起到基础性作用。

大数据是一门新型专业，课程体系的构建在摸索阶段，但培养学生目标是提高学生的数据分析与应用能力，《数据库原理》课程是分析数据和应用数据的基础，必须规划好《数据库原理》课程，让在大数据专业课程体系建设中发挥重要的作用。

本论文从不同方面阐述《数据库原理》课程在大数据专业课程体系建设中的地位和作用研究，希望研究大数据专业课程体系建设的专家和学者提供理论参考依据。

关键词：《数据库原理》课程 大数据专业 研究数据库原理是高等院校大数据专业的核心基础课程，开设历史悠久，主要围绕关系数据模型讲授数据库的基本概念、基础理论以及数据库设计、操作和管理的方法，使学生在掌握数据库系统理论基础上具有设计和使用关系数据库的能力。

然而，随着互联网和大数据时代的来临，数据库理论和技术发生了巨大变化，具有更为丰富的内涵和外延，在大数据专业开设《数据库原理》课程，与传统计算机相关专业开设有一定的不同，其重点强调数据分析与数据应用，在大数据专业课程体系构建过程中起到重要作用。

1大数据专业数据库原理课程改革新目标大数据专业数据库原理课程的教学内容函待革新，以反映数据库技术的发展和软件工业实践的需求。

首先以数据结构课程理论为基础，从数据结构、数据管理操作、数据管理约束3个维度出发建立大一统的数据管理观念，在统一数据管理观的框架下系统性梳理人类不断发展的数据管理需求、典型的数据管理应用场景和数据库技术，使学生能够在统一的思维框架下分析理解各种数据库技术。

根据统一数据管理观，从数据结构、数据管理操作、数据管理约束3个维度对数据库技术进行分类整理，面向典型的数据管理应用场景建立数据库理论和技术的知识分类体系。

高效机房的优化及智能控制策略应用一、引言高效机房作为现代社会运行的重要基础设施之一，在公共建筑中起着关键的作用。

高效机房的设计和控制对于保证公共建筑内部环境的舒适性、能源利用效率和可持续发展至关重要。

随着科技的不断进步和能源问题的日益突出，研究人员和工程师们开始探索如何通过智能控制策略来提高高效机房的性能和能源利用效率。

高效机房通常具有复杂的布局、涉及各个系统广、控制施工调试难等特点，这给能源消耗和运行控制带来了挑战。

传统的空调机房设计及控制方法在面对这些挑战时存在局限性，需要新的智能化控制策略来优化机房的能效和性能。

通过智能化的温度和湿度控制策略，可以实现精确的环境调节提高能源利用效率和室内舒适性。

通过实时监测和自适应控制算法智能控制系统可以根据人员活动室内外环境变化等因素来自动调整空调设备的运行参数。

此外，智能控制策略还包括负荷预测和动态资源分配，AI大数据模拟等方式以实现资源的合理分配和利用，提高机房的运行效率和灵活性。

通过设计实验方案和数据采集，我们将比较智能控制策略与传统控制方法的能效性能，并进行结果分析和讨论。

通过这些分析，我们将总结智能控制策略在公共建筑高效机房中的优势和局限性，并对未来的研究方向提出展望。

二、高效机房的特点和挑战1.高效机房的重要性高效机房是指在以满⾜建筑空调设计要求的同时，在深⾜了解建筑负荷特性的基础上，通过合理系统设计、选⾜适配设备、计量与⾜控系统、优化管路等⾜段，能实现较⾜的冷源系统全年综合运⾜效率的机房称之为“ ⾜效机房”。

高效机房的建设和运行对于现代社会的可持续发展至关重要。

高效机房的能源效率和环境友好性直接影响着机房的运行稳定性和可靠性，以及组织的可持续发展。

2、高效机房面临的能源消耗和运行挑战“双碳”背景下的建筑⾜业• 不排（碳达峰）-改变能源结构；清洁能源、可再⾜能源；• 少排（碳达峰）-提⾜能源效率；• 吸收（碳中和）-建筑既是⾜能也是产能单位；• 被动节能（碳中和）-围护结构，近零能耗建筑。

高教专区103高校实验室门禁系统信息化建设与应用黄龙 南京邮电大学徐康宏 南京南邮信息产业技术研究院有限公司● 引言在新冠疫情防控常态化背景下，高校陆续开学，师生员工和外来人员流动性加大，给高校管理工作带来巨大压力。

实验室是高校开展教学科研活动的主要场所，室内人员密集，是高校安全防疫工作的重中之重。

门禁管理是消除实验室安全隐患最基础的物理防范手段，而在疫情防控形势下，传统的实验室门禁管理模式无法提升通行效率，难以阻断病毒人际传播，亟须运用信息化手段增强实验室门禁的防疫功能。

我国教育信息化“十三五”规划提出，要深入推进管理信息化，从服务教育管理拓展为全面提升教育治理能力，建成覆盖全国各级各类学校的教育管理信息化体系。

[1]因此，高校应结合疫情防控需要，进一步完善内部教育管理信息化基础设施建设，建立具有公共卫生安全属性的信息化门禁管理系统。

本文针对当前高校实验室门禁存在的问题，提出疫情防控常态化下构建门禁信息化管理系统的设计思路，并在高校实践中应用和实现。

● 疫情下实验室门禁管理的困境1.实验室门禁技术滞后，物防基础不牢2019年4月，江苏省高等教育学会高校实验室研究委员会组织专家对省内24所不同类型的高校教学和科研实验室进行安全检查，并按照《高等学校实验室安全检查项目表（2018）》二级条款将发现的问题数目进行排序，排在第一位的为“设施与场所”问题（占前10位的 15.36%），从检查结果看，实验室物防建设存在的问题较为突出。

[2]门禁是高校实验室最基本的物防设施，目前高校实验室门禁管理系统普遍使用带有RFID （无线射频身份识别）技术的校园一卡通作为门禁卡，但卡片性能仍存在许多缺陷，如容易丢失、芯片老化、被冒用等。

还有些高校实验室门禁管理工作比较繁杂，仍然采用钥匙分发的传统门禁管理模式，已经难以胜任实验室的安全保障，也不能适应当前疫情防控工作的需要，在实际管理摘要：本文提出了根据实验室不同类型人员性质，构建“信息采集+人脸识别+无感测温”和“定制OA流程+身份识别+无感测温”通行模式的信息化门禁管理系统，以此代替复杂化的人工审核验程序。

软课题范文央广网北京2月2日消息（记者侯杰）为引领证券行业研究，促进行业研究交流，支持资本市场改革发展，xx年中国证券业协会组织行业开展以“稳中求进中的证券业发展机遇与挑战”为主题的重点课题研究，共收到会员单位147项课题申报，最终立项77项课题，立项课题明显集中于金融科技、合规风控、资本市场改革与服务实体经济三类研究，占比合计达60%，较好体现出当前资本市场和监管关注的热点、难点和重点问题。

课题报告通过学术不端系统检测、专家网上评议和现场答辩，最终由专家评选出18篇优秀课题研究报告。

18篇优秀课题研究报告主要分布如下：一是我国资本市场改革与服务实体经济类研究，包括《我国证券市场退市制度及机制研究》、《我国创新创业公司债券理论与实务研究》。

二是多层次资本市场建设类研究，包括《新三板市场交易机制、流动性问题及对策研究》、《我国区域性股权市场发展研究——以安徽省股权交易市场为例》、《固定收益类私募证券交易平台建设研究》。

三是证券经营机构合规风控管理类研究，包括《股票质押回购业务的风险管理体系与处置实务研究》、《基于大数据的证券公司信用风险评级与预警体系研究》、《公司债市场的风险预警与控制研究》。

四是证券经营机构提升综合服务能力、组织管理与战略发展类研究，包括《国内券商财富管理业务模式研究》、《证券公司高端客户服务组织管理模式研究》、《证券公司国际化发展战略和路径选择》、《金融科技引领下证券公司的商业模式重构及监管机制研究》。

五是人工智能、大数据、区块链、移动互联等金融科技应用类研究，包括《监管科技（RegTech）发展及在智能投顾监管的应用研究》、《基于大数据挖掘技术的证券零售客户适配性服务应用研究》、《移动互联在证券经纪业务中的运用研究》、《证券经纪业务线上线下相结合的业务模式研究》、《区块链在我国证券市场的关键应用与监管研究》、《结合容器技术的行业云可行性方案研究》。

附：中国证券业协会xx年重点课题研究优秀课题报告 ___（说明：以下按照“研究单位”汉语拼音顺序排序）1．《监管科技（RegTech）发展及在智能投顾监管的应用研究》（研究单位：北京资配易投资顾问有限公司；课题负责人：张家林，北京资配易投资顾问有限公司董事长；课题组成员：郑健、付诗雨、周天笑、张夕瑶、张子恒、陈凤）2．《基于大数据挖掘技术的证券零售客户适配性服务应用研究》（研究单位：长江证券股份有限公司；课题负责人：韦洪波，长江证券首席金融科技官、总裁助理；课题组成员：潘进、黄林、陈颖、夏佳、蔡夏丰、赵文龙、傅博、熊绍军、宁峰、童志、桂银华、王春鹏、王琪、梁绪娟）3．《我国创新创业公司债券理论与实务研究》（研究单位：东吴证券股份有限公司；课题负责人：范力，东吴证券董事长、党委书记、总裁；课题组成员：姚眺、朱丹、胡俊华、徐青、罗佛传、闻大梅、张昊）4．《国内券商财富管理业务模式研究》（研究单位：广发证券股份有限公司；课题负责人：李风华，广发证券战略发展部总经理；课题组成员：孟醒、王烜、史惠子、温重伟）5．《移动互联在证券经纪业务中的运用研究》（研究单位：国泰君安证券股份有限公司；课题负责人：陈煜涛，国泰君安证券副总裁、首席信息官；课题组成员：毕志刚、董曲琰、殷振兴、邓锐、张雪峥）6．《新三板市场交易机制、流动性问题及对策研究》（研究单位：国信证券股份有限公司、厦门大学；课题负责人：何诚颖，国信证券监事会主席、发展研究部总经理、博士后工作站主任；课题组成员：张昀、孙永苑、刘海洁、刘英、林民书）7．《我国区域性股权市场发展研究——以安徽省股权交易市场为例》（研究单位：国元证券股份有限公司、合肥工业大学；课题负责人：蔡咏，国元证券董事长；课题组成员：姚禄仕、吕海、赖海峰、刘扬、吴宁宁、王翼、杨婉琳、李敏、赵佳卉、王悦）8．《证券公司国际化发展战略和路径选择研究》（研究单位：海通证券股份有限公司；课题负责人：吴淑琨，海通证券战略发展部总经理；课题组成员：任昕、黄靓雯、梁云、王未）9．《证券公司高端客户服务组织管理模式研究》（研究单位：海通证券股份有限公司；课题负责人：吴淑琨，海通证券战略发展部总经理；课题组成员：麦其芃、王浩、徐心航）10．《我国证券市场退市制度及机制研究》（研究单位：民生证券股份有限公司；课题负责人：周晓萍，民生证券研究院非银行业负责人；课题组成员：杨柳、金达莱、王弓、马自妍、陈煜、牛竞崑、薛绍阳）11．《固定收益类私募证券交易平台建设研究》（研究单位：上海申银万国证券研究所有限公司；课题负责人：蒋健蓉，申银万国证券研究所所长助理、发展研究部负责人、首席战略研究员；课题组成员：龚芳、陈峥嵘、赵莹、孟祥娟、陆媛媛）12．《结合容器技术的行业云可行性方案研究》（研究单位：上交所技术有限责任公司、东方证券股份有限公司、上海优刻得信息科技有限公司；课题负责人：黄成，上交所技术公司金融云项目技术负责人；课题组成员：马毅波、邱模炯、周浩波、周晓、黄亮）13．《金融科技引领下证券公司的商业模式重构及监管机制研究》（研究单位：申万宏源证券有限公司；课题负责人：麻晓勇，申万宏源证券战略规划总部副总经理（主持工作）；课题组成员：杨成长、朱曦、余杰杰、田志刚、谭庆飞、赵新宇、王文飞、郑雅菲）14．《区块链在我国证券市场的关键应用与监管研究》（研究单位：天风证券股份有限公司、武汉大学法学院、中国科学院软件研究所；课题负责人：翟晨曦，天风证券副总裁、执行委员会委员；课题组成员：徐坤、袁康、杨阳、徐伟、王绪刚、张文博、许源佳、梁晨、薛晓东）15．《基于大数据的证券公司信用风险评级与预警体系研究》（研究单位：招商证券股份有限公司、北京大学汇丰商学院；课题负责人：邓晓力，招商证券副总裁兼首席风险官；任颋，北京大学汇丰商学院副院长；课题组成员：张兴、张文景、肖凌、刘霄潇、田敏、朱晓天、卢骏）16．《公司债市场的风险预警与控制研究》（研究单位：中山证券有限责任公司；课题负责人：李湛，中山证券首席经济学家、研究所所长；课题组成员：唐晋荣、方鹏飞、曹萍、周丹妮）17．《证券经纪业务线上线下相结合的业务模式研究》（研究单位：中泰证券股份有限公司；课题负责人：黄华，中泰证券副总裁；课题组成员：李肇嘉、杨卫东、王海涛、郑晓彤、胡连强、高梦洁、孟庆蛟、陈爽、逯志军、于晓梅）18．《股票质押回购业务的风险管理体系与处置实务研究》（研究单位：中信建投证券股份有限公司；课题负责人：蔡笑，中信建投证券金融部高级副总裁；课题组成员：邹子元、任效磊、谢铭、方文恪、梁玉梅、沈志峰、钱潇明、王慧）你怎么看待评职称要课题研究？1、中小学的教育课题研究10000件有9999件是假的，形式而已，浪费而已。

长三角地区人工智能相关产业图谱的专利分析
杜宇坤
【期刊名称】《科技和产业》
【年(卷),期】2024(24)9
【摘要】建设具有全球竞争力的长三角人工智能(AI)产业集群是我国科技产业发展的重要战略。

对2000年以来长三角地区人工智能领域的专利申请进行检索,结合
人工智能产业中基础层、技术层和应用层的核心一级技术分支以及重要的二级分支进行分析,以长三角地区人工智能相关的产业图谱的专利申请为切入点,分析人工智
能相关专利助力长三角在产业升级中的竞争格局、创新态势、产业体系、行业应用。

【总页数】6页(P215-220)
【作者】杜宇坤
【作者单位】国家知识产权局专利局专利审查协作江苏中心
【正文语种】中文
【中图分类】F49;F424
【相关文献】
1.基于人工智能专利图谱的技术热点发现以及演化分析
2.美国人工智能专利现状分析及其对中国的启示
——以《人工智能发明:追踪美国人工智能专利扩散报告》为基础3.基于产业政策
和专利分析的深圳市人工智能产业发展研究4.人工智能热点算法之知识图谱相关
专利申请保护现状及审查规则5.中国人工智能产业分析2022年中国人工智能产业图谱
因版权原因，仅展示原文概要，查看原文内容请购买。

“大数据+人工智能”在游泳运动员训练中的应用研究任洪江刘宏超山西师范大学体育学院山西太原030000摘要： 人工智能和大数据技术的快速发展已经在各个领域取得了一定的成就，其中包括体育领域，但在其与游泳的结合方面还处于初期探索阶段。

该文通过文献资料法等方法，结合智能可穿戴设备和图像视频等数据，运用人工智能分析及大数据技术进行综合采集和高效处理，以此精准矫正运动员的游泳姿势。

研究结果表明，人工智能和大数据技术在运动员训练中的应用能够为他们提供更全面和个性化的数据支持，为运动员提供更深入的运动表现分析和技术改进的机会。

这一发现强调了大数据和人工智能技术在提升运动员表现和技术指导方面的重要性。

关键词：人工智能 大数据 游泳运动员 智能可穿戴设备 图像视频中图分类号： G861.1文献标识码：A文章编号： 2095-2813(2024)06-0019-04 Research on the Application of "Big Data + Artificial" Intelligencein the Training of SwimmersREN　Hongjiang LIU　HongchaoSchool of Physical Education, Shanxi Normal University, Taiyuan, Shanxi Province, 030000 China Abstract: The rapid development of artificial intelligence and big data technologies has achieved certain advancements in various fields, including the sports field, but their integration with swimming is still in the early exploration stage. By methods such as literature, combined with data such as intelligent wearable devices and image videos, this paper uses artificial intelligence analysis and big data technology for comprehensive collection and efficient processing, so as to accurately correct swimmers' swimming postures. Research results indicate that the application of artificial intelligence and big data technologies in the training of swimmers can provide them with more comprehensive and personalized data support, and provide them with the more in-depth analysis of sports performance and opportunities for technical improvements. This finding emphasizes the importance of big data and artificial intelligence technologies in enhancing swimmers' performance and technical guidance.Key Words: Artificial intelligence; Big data; Swimmer; Intelligent wearable device; Image video随着科技发展推动人类社会进步，社会处于从资源短缺到盈余的阶段，人工智能得以井喷式发展［1］。

收稿日期:2024-02-02作者简介:李菲菲(1991 ㊀),中国社会科学院图书馆馆员㊂基于大数据+人工智能的智慧图书馆建设研究李菲菲(中国社会科学院图书馆,北京㊀100732)摘㊀要:文章介绍了大数据㊁人工智能和智慧图书馆的基本概念,阐述了智慧图书馆的构成要素和特征,重点讨论了基于大数据和人工智能技术的智慧图书馆四层体系结构和建设内容,建设内容包括智慧图书馆智慧感知系统㊁智慧管理系统㊁智慧检索系统㊁智慧咨询系统㊁智慧服务系统㊁智慧云安全系统,并对智慧图书馆的未来发展进行了展望㊂关键词:大数据;人工智能;智慧图书馆㊀中图分类号:G250㊀㊀㊀文献标识码:A㊀㊀㊀文章编号:1003-1588(2024)03-0088-031㊀大数据㊁人工智能与智慧图书馆㊀㊀智慧图书馆是在物联网环境下,以实体图书馆和线上图书馆为载体,以大数据㊁人工智能㊁云计算等技术为基础,以智能可感知设备为支撑,以智能管理平台为核心,借助各级图书馆资源共享的特点,实现人㊁书㊁物之间的互联互通,同时对图书馆信息资源进行全方位管理,服务读者,为读者推荐信息资源,让读者随时随地享受个性化㊁精准化㊁智慧化的知识定制服务和数字阅读体验的新型现代化图书馆㊂大数据技术的快速发展为图书馆的智慧化建设提供了强大的技术支持[1]㊂图书馆拥有丰富的文献资源和大量的读者行为记录,这些宝贵的数据构成了智慧图书馆建设的基础,图书馆利用大数据技术对这些数据进行管理和分析,能够为业务发展提供有效指导,提高自身的智慧化管理和服务水平,满足读者的智慧化阅读需求㊂人工智能诞生于20世纪50年代,是一种跨学科的交叉技术,涉及语言识别㊁定位㊁自动控制等多个领域,核心理念是使机器具备类似人类的思维和行动能力[2]㊂在大数据的基础上,智慧图书馆引入深度学习㊁智能检索㊁智能推荐㊁图像识别㊁语音识别㊁知识发现等人工智能技术,能够极大提升图书馆的智慧服务能力,使读者更加精准㊁全面㊁个性化地检索和获得信息,对于图书馆的发展具有深远意义㊂2㊀智慧图书馆的构成要素和特征2.1㊀智慧图书馆的构成要素㊀㊀智慧图书馆的构成要素主要是人员㊁资源㊁环境㊁技术㊁服务等㊂人员包括馆员㊁读者㊁运维人员㊁监管人员等,是开展信息服务的主体,人员的知识储备㊁专业素质㊁业务水平决定了智慧图书馆发展的上限;资源包括图书馆文献资源和读者信息资源,图书馆的文献信息资源包括纸质资源和数字资源,读者信息资源则包括读者的个人基本信息㊁阅读信息㊁借阅信息㊁浏览记录㊁下载记录㊁收藏记录㊁评价记录等;环境包括智能建筑㊁智能设备㊁网络环境等;技术包括大数据㊁人工智能㊁RFID㊁云计算㊁物联网㊁区块链㊁云计算等技术,是实现图书馆智能化的保障;服务主要包括借阅服务㊁参考咨询服务㊁阅读推荐服务等,是智慧图书馆发展的不竭动力㊂2.2㊀智慧图书馆的特征㊀㊀智慧图书馆具有以下特征:一是互联互通㊂智慧图书馆利用先进的网络信息技术,将海量信息汇集㊁整合并进行跨区域㊁跨资源㊁跨平台的大规模交互,突破时空限制,为读者提供个性化㊁全方位㊁全天候的服务[3]㊂二是信息资源共享㊂信息资源共享88第44卷第3期河南图书馆学刊2024年3月是智慧图书馆的核心特征,通过将信息上传到开放的信息传播平台方式实现信息资源共享㊂三是服务高效㊂智慧图书馆通过智能技术能够拓展服务范围,提升服务效率,在知识服务㊁个性化推荐服务㊁特色资源服务㊁科研支持服务等方面为读者带来更好的体验㊂四是以人为本㊂当前,读者的信息需求呈现差异性和多元化特征,智慧图书馆通过智能技术将知识信息与服务深度融合,全面跟踪㊁获取读者需求,精准识别读者需求变化,为读者提供全方位㊁立体化㊁智慧化服务㊂3㊀基于大数据+人工智能的智慧图书馆建设思路3.1㊀智慧图书馆建设体系架构㊀㊀智慧图书馆要在新发展理念指导下统筹规划,建设成为技术设备先进㊁文献资源丰富㊁信息资源共享的信息中枢和学术殿堂,为读者提供个性化㊁精准化㊁全面化的优质服务,其整体建设架构包括基础设施层㊁数据资源层㊁系统支撑层㊁应用服务层㊂3.1.1㊀基础设施层㊂基础设施层为智慧图书馆提供基础网络环境和软硬件支持,包括互联网㊁通信网㊁服务器㊁计算设备㊁存储设备㊁通信链路㊁操作系统㊁智能终端设备等,是为系统软件和应用服务平台提供数据和运行环境的载体,也是支撑智慧图书馆高效运作的基础保障[4]㊂3.1.2㊀数据资源层㊂数据资源层是接收外部数据㊁存储数据㊁分析数据及应用数据的流转交互层,也是系统管理平台和应用服务系统的数据提供层,采用结构型㊁半结构型和非结构型数据库存储文献数据㊁读者数据以及系统运行产生的数据等㊂数据资源层综合运用磁盘阵列㊁分布式文件系统㊁开源分布式服务框架等实现图书馆各项业务的数据处理,如数据资源迁移㊁整合㊁聚类㊁重组㊁计算㊁标引等,最终实现数据资源的综合化㊁一体化管理,以及多元化数据融合的统一检索和知识服务㊂3.1.3㊀系统支撑层㊂该层包括数据管理平台㊁业务管理平台㊁安全管理平台㊁门户管理平台㊁读者管理平台,其中,数据管理平台通过建立接口实现各应用系统模块间的内容管理㊁数据互通㊁数据交换㊁系统集成㊁信息共享等;业务管理平台通过规范的业务流程促使各子业务平台执行各自工作,形成有效的集成和协同;安全管理平台通过读者统一认证和安全日志信息,保障各应用系统之间的数据流转及业务流的安全稳定运行㊂系统支撑层为各类应用服务平台提供业务协同管理和技术支撑,使各应用服务平台无缝衔接㊂3.1.4㊀应用服务层㊂应用服务层是智慧图书馆根据业务需要㊁读者需求建设的支撑业务全面运转以及提供服务的应用服务系统,主要包括智慧感知系统㊁智慧管理系统㊁智慧检索系统㊁智慧咨询系统㊁智慧服务系统㊁智慧云安全系统等㊂3.2㊀智慧图书馆建设内容3.2.1㊀建设智慧感知系统㊂智慧感知系统是智慧图书馆建设的重要一环,以大数据㊁物联网㊁人工智能等技术为依托,通过智能感知设备和智能终端设备对图书馆的人员㊁资源㊁环境进行动态监测,实时获取数据并应用到实际业务,从而实现对人与物的全面感知和智慧管理[5]㊂智慧感知系统对馆内流通人数㊁座位空置数㊁图书借还情况㊁图书在架情况㊁文献资源阅读下载情况等进行实时监测,能够对读者进行分流管理,合理划分读者群体,从而更加科学高效地服务不同类型的读者;对馆内环境进行感知和监控,智能调节温度㊁湿度㊁光线㊁噪音等,为读者营造更好的阅读环境;门禁㊁安全预警㊁灾害防护㊁智能监控等智能设备能够实时感知馆内外变化并做出智能分析和判断,全面掌握图书馆情况,提升图书馆的安保水平㊂3.2.2㊀建设智慧管理系统㊂智慧管理系统是图书馆的智慧大脑,通过综合运用大数据㊁人工智能㊁RFID㊁云计算等技术和智慧化管理手段,将资源㊁人员㊁设备等紧密联系在一起,实现馆际协同㊁人馆协同㊁人人协同的一体化㊁专业化㊁智慧化管理,为高质量服务供给打下良好基础㊂智慧管理系统的资源管理主要体现为对多元化文献资源的加工和利用,即通过对资源的多层次分类㊁对知识单元的细粒度抽取㊁对元数据规范的统一制定等措施,实现资源的深度挖掘与利用;人员管理主要是针对馆员以及个人读者㊁机构读者等多类型读者的管理和服务,通过用户类型区分达到为不同读者提供个性化知识服务的98李菲菲:基于大数据+人工智能的智慧图书馆建设研究㊀目的;设备管理是指对服务器㊁网络设备㊁智能书架㊁机器人㊁自助借还机㊁AR设备等进行管理与交互㊂3.2.3㊀建设智慧检索系统㊂读者通过检索系统能够从图书馆海量的信息资源中获得想要的信息,因此,能否为读者提供精细㊁准确㊁多元化㊁类型丰富的检索信息成为衡量智慧图书馆服务能力的重要标准㊂智慧检索系统既要能够检索文本数据,又要能够检索图片㊁视频㊁音频等㊂智慧检索系统整合图书馆的各类文献资源,在文本㊁图片㊁视频㊁音频等多模态数据间建立细粒度关联,对读者输入的关键词进行智能语义识别,生成符合相关语法和语义规则的文本㊁图片㊁视频㊁音频等多类型结果,实现跨模态混合的一站式资源检索,提升读者检索效率㊂3.2.4㊀建设智慧咨询系统㊂人工智能的发展为图书馆带来了 智慧馆员 ,即智慧咨询系统㊂智慧咨询系统通过强大的语言建模㊁语义分析和推理能力分析读者提出的问题,获取咨询重点,抽取关键信息和主题,以类似人类思维和理解的方式与读者互动交流,快速有效地解答读者的各类问题㊂基于深度学习模型,智慧咨询系统通过不断的训练和学习,可以根据读者的反馈进行调整和纠正,具有更强的泛化能力和适应性,从而适应更复杂的场景,处理更复杂的问题㊂3.2.5㊀建设智慧服务系统㊂智慧服务系统以读者为中心收集㊁整合㊁分析馆藏文献资源,以提供精准化㊁场景化㊁智慧化的知识应用和知识创新服务;重视特色资源的开发和利用,依托馆藏特色资源开发特色资源服务共享平台㊁App㊁小程序等,打造云阅读㊁云参观㊁云讲座㊁云培训㊁云咨询等线上特色服务;提供科研支持服务,如科技查新㊁文献传递㊁写作支持㊁研究工具支持㊁科研评价㊁期刊评价等,向科研人员推送最新的学术资料㊁前沿动态㊁研究报告,为科学研究提供支持和参考㊂个性化推荐服务是智慧图书馆建设之魂,智慧服务系统可以通过读者的年龄㊁职业㊁历史借阅记录等数据分析其阅读爱好和潜在需求,从而全面准确掌握读者的兴趣点,建立用户兴趣模型,使用智能推荐算法精准化㊁个性化㊁自动化地为其推送相应的资源[6]㊂3.2.6㊀建设智慧云安全系统㊂网络安全是智慧图书馆建设的重中之重㊂云服务在文献数字资源云存储㊁智能云调度㊁智能安防等方面起到了重要作用,分布式云存储可以有效满足海量数据的存储和访问查询需求,提高网络的存储效率和安全性[7]㊂构建智慧云服务安全系统可以实现云服务与网络的互通互访,保障系统安全稳定运行㊂智慧云安全系统包括DDoS安全防护系统㊁防火墙㊁IPS系统㊁网络监控系统等,其中DDoS安全防护系统基于异常攻击检测机制和过滤机制能够及时发现并拦截网络层㊁应用层的异常服务攻击,保证正常流量通过;防火墙主要是将外部网络和内部网络隔离开,确保内部网络的安全;IPS系统主要用于阻断SQL注入(数据侵入),抵御蠕虫㊁木马等病毒以及跨站脚本攻击;网络监控系统主要是对读者的网络行为进行监控,目的是保障读者安全规范使用数字资源㊂4㊀结语㊀㊀综上所述,智慧图书馆建设需要科学系统的理论指导和统筹规划,全局考虑㊁系统布局,借助大数据㊁人工智能等先进技术实现图书馆高质量发展,将图书馆建设成为科技化㊁现代化㊁全面智慧化的新型图书馆,为广大读者提供方便㊁快捷㊁精准的信息资源服务,使读者的幸福感㊁获得感得到持续提升㊂参考文献:[1]㊀邹鑫.大数据:图书馆服务发展前瞻[J].河南图书馆学刊,2016(9):112-113.[2]㊀刘喜球,杨亚非.AIGC技术赋能智慧图书馆:应用㊁风险及其策略[J].图书馆研究,2023(6):19-28. [3]㊀徐桂英.党校智慧图书馆建设研究[J].图书馆工作与研究,2021(S1):102-107.[4]㊀姚国章,余星,项惠惠.智慧图书馆的总体设计与应用系统建设研究[J].南京邮电大学学报(自然科学版),2016(2):18-28.[5]㊀苏瑞竹,张轲.基于情境感知的高校图书馆个性化服务模式研究[J].图书馆工作与研究,2022(7):5-12.[6]㊀路龙惠,许蕗,任旭明.智慧图书馆私有云平台网络及网络安全设计:以国家图书馆为例[J].网络安全技术与应用,2023(6):134-137.[7]㊀姚明,赵建国.我国图书馆地方立法实证研究:反思与超越:基于14部地方性法律规范的考察[J].图书馆建设,2020(5):107-114.(编校:徐黎娟)09李菲菲:基于大数据+人工智能的智慧图书馆建设研究。

“双碳”背景下计算机通识教育教学创新模式探索摘要：双碳战略的全面实施，明确了高校计算机通识教育教学模式创新改革的方向。

高校在开设计算机专业课程时，应该通过开展形式多样的通识课程的方式，强化学生的碳中和与碳达峰知识学习意识，创新计算机通识教育教学模式，提高双碳背景下计算机通识教育的有效性。

文章主要是就双碳背景下计算机通识教育教学模式的创新进行了简单阐述和分析。

关键词：计算机通识教育；人才培养；教学改革引言近年来，各个高校针对计算机通识课程教育教学模式进行的改革与创新，从计算机层面推动了互联网、大数据、新媒体技术的创新与改革，其作为当下主流的问候传播形式，对大学生正确价值观的形成产生了极大的影响。

1、计算机通识教育概述大数据、物联网、云计算、移动互联网、人工智能等信息技术的发展和应用，虽然促进了各个行业的全面发展，但与此同时高校人才培养所面临的挑战也越来越大。

所以，各个高校必须加快传统教育教学理念、教学内涵、教学方法、教学内容等各方面改革创新的速度，才能在顺应时代发展潮流的基础上，培养出掌握扎实计算机思维与计算机问题求解能力的高素质应用型人才。

高校计算机通识教育的全面开展，为高素质应用型技术人才的培养提供了强有力的支持。

各个高校也在时代发展潮流的推动下，加快了计算机通识课堂教学改革的步伐。

比如，2018年，浙江大学计算机基础教学课程构建的宽、专、融课堂体系，满足了大学四年计算机专业人才培养的要求。

同年6月，山东大学提出的智能时代计算机通识教育“1+N”课程体系，则是以产学合作为依托，构建全新的计算机通识教育系列课程。

高校计算机通识教育课程体系建设步伐的加快，为高校计算机通识课程教育教学模式的创新与改革打下了良好的基础。

2、“双碳”背景下计算机通识课程创新探索2.1明确课程教学目标，注重实践能力培养高校设置的程序语言类、数据类、计算机网络、网页开发等形式多样的计算机通识课程，满足了各个专业人才培养的要求。