内容简介:历史上每一次的知识大爆炸,后面都有技术的推动。那么,我们这一代的技术,要怎样去运用解决未来的学习问题。大家好,我叫杨溥,我是得到的首席数据科学家。在过去十年的时间里,我一直在做和人工智能相关的事情。
历史上每一次的知识大爆炸,后面都有技术的推动。那么,我们这一代的技术,要怎样去运用解决未来的学习问题。
大家好,我叫杨溥,我是得到的首席数据科学家。在过去十年的时间里,我一直在做和人工智能相关的事情。
大家都知道,得到是一家知识服务公司,做课程、做电子书、做跨年演讲。
去年,罗胖提了一个梦想——要建立一所为终身学习者服务的通识教育大学。然后,这个任务就交给了我们。
你可能要问:为什么建学校这件事,不是交给老师,也不是交给班主任,而是交给了我们 程序员 呢?
这是因为——历史上的每一次知识大爆炸,都是靠背后的工程师来搞定的。
就像蔡伦造纸,古藤堡发明印刷术,他们给全世界带来了知识。所以我现在的工作,就是要用我们这一代的技术,去解决未来的学习问题。
显然,这一代的技术,必然离不开人工智能的支持。
说到人工智能,我们生活中已经随处可见了,但是大家有没有发现一些问题。比如:我打开外卖平台点餐,系统在首页上给我推荐了日餐,但事实上,我已经连续吃了5天的日餐了;再比如:我打开电商平台购买了一件运动服,系统仍然会不停的给我推荐各种不同品牌的运动服,而实际上,为了下定决心去运动 ,我已经购买了6件运动服了。
这就是现在很多智能推荐系统和内容平台的做法,它在根据我过往的行为,预测我的喜好,并不停的给我推荐类似的商品和内容。
作为一个从业者,我会问自己: “得到也要这样做么?”
如果一个用户在得到上,已经学习了长时间的《薛兆丰经济学》,我们还应该反复的给他推荐经济学的内容吗?按照这种逻辑,他的首页,可能永远只会是这块内容了。
类似这样的人工智能方法,在学习领域并不能满足需求。特别是得到用户,是一群对未知有着强烈好奇心的人,他们的好奇心会驱使他们学习不一样的内容。
所以,得到面临的挑战,是全新的。
今天,我想给大家分享的是一个内部称做“得到大脑”的项目。
在上台之前,我问过公司的法务,这个项目可以披露吗?他们说:反正一时半会你也做不出来,随便你。
一、“得到大脑”
什么是“得到大脑”呢?
得到大脑就是:期望通过技术的手段,来尽可能的改善大家的学习体验——就像给我们的大脑,增加了一个外挂。
前段时间,我接待了一个得到的重度用户,她给我详细的介绍了 她在得到里的学习历程:
最初她是被薛兆丰的经济学课吸引了进来,学完经济学之后,就想去学金融学。学金融学的时候,当看到非理性的股市时,就想去了解心理学对人决策的影响;之后,她又想去了解更底层的生命科学。她说她最近正在学习王立銘老师的课程,并且因为对生命产生了敬畏,已经在小本上列了下一步的计划,那就是学习高爽老师的天文学。
你看,这个过程就有点像我们的学习过程——最开始只是黑暗中的一团小火苗,但是因为知识之间的互相关联,从而变成了熊熊烈火,点燃了我们的探索之路。
这也正是终身学习和传统的学校学习不一样的地方: 它不是一个线性的,越来越专业的学习,而是在不断扩大你的知识范围。
当然,刚才只是她一个人的探索路线,每个人的探索道路都会不一样;但“探索”不是“搜索”,得到大脑的目标不是做一个更好的搜索引擎,而是去给每个用户都展示一个“可以自由探索”的知识世界,帮助用户完成自己的探索。
长期思考的人都知道:要想让自己的认知能力突飞猛进,很多时候不是因为你搜集了多少信息,而是在你探索的时候。有个瞬间,你突然意识到了一个从来没有想过的维度,知识和知识之间突然产生了化学反应。
所以,得到大脑第一步想要完成的,就是要借助机器的力量,给每个人配上一个学习助理,然后从各种维度,主动的帮你将所有相关的信息整合在一起,再传达给你。
但是,新的问题又来了:
目前,以深度学习为主的人工智能技术,我们称作为感知智能,它还无法完成这样的工作。
接下来,我们需要达到认知智能的水平,也就是让机器“能理解,会思考”,而知识图谱就是认知智能中最核心的技术。
二、知识图谱
知识图谱这个概念,最早是在12年由谷歌提出来的,主要用来提升谷歌的语义搜索服务能力。今天,当你搜索一个问题,比如“C罗的生日”,它给出的不仅仅是关键词匹配的结果,它还会给出具体的生日日期,C罗的百科介绍,甚至还有c罗在球队中的统计资料。
现在,当有了知识图谱,再结合虚拟现实的技术,我们就可以想象出未来学习的场景了。
比如,你想了解苏东坡这个人。
你只需要一个入口,然后,你就可以跟着他的脚步,知道他哪一年走出四川,哪一年走进开封,哪一年被贬黄州,哪一年写了《赤壁赋》;每一年遇到了什么样的人,做了什么样的事,写了什么样的诗词。这每一个人、每一件事、每一首诗,过往的学者对它们做了什么样的研究,写出了什么样的著作。你现在所在的地方,和苏东坡当年待过的地方,相距有多远。他的遗作,藏在了你身边的哪一座博物馆里……
过程中,你突然对曾经看不惯苏东坡的王安石,产生了兴趣,你可以继续跳转到他的视角,开启新的知识探索。
你看,整个过程,你不是在学习苏东坡,而是在代入苏东坡。
好了,那这一系列的场景,它背后的知识图谱是什么样的呢?
围绕着苏东坡,我们从时间、空间、人物、作品等各种各样的维度,构建了这样的一张知识图谱。
它类似于思维导图,但是它具有更规范的层次结构,和更强大的知识表示能力。为了构造知识的基本框架,知识图谱除了包含实体之外,还需要包括概念、属性、关系这些信息。
因为人的认知过程,正是不断用这些概念、属性和关系去理解世界、解释世界。
《福尔摩斯探案集》的作者亚瑟•柯南道尔有句名言:
“一个逻辑学家,不需要亲眼见过或听过大西洋和尼亚加拉大瀑布,他从一滴水中就能推测出它们。”
知识图谱也是如此——它采集碎片化的信息和数据,然后按照标准化的方式加以整理,再将各种看似不相关,但背后有着共同联系的信息关联起来。
好了,确定完技术方向,下一步,我们该如何构建一个面向学习者的知识图谱呢?
首先,需要确定知识图谱的构建范围。
显然,在知识服务领域,我们将会围绕“通识教育” 和 “学科教育”,去构建一个领域知识图谱。
接下来,我们需要填充知识图谱中的内容,主要是两块内容:
- 第一块,是以“知识点”为中心的实体内容,比如一些专业术语、历史人物、著作等等。
- 第二块,就是这些知识点之间的关系内容。
这些内容需要借助大量的自然语言处理技术,甚至辅助一定的人工手段,从海量的结构化数据数据、非结构化的文本中挖掘出来。比如:对于知识点的挖掘,我们会用到“领域词挖掘”、“命名实体识别”这些技术。
对于关系的挖掘,我们会用到“事件抽取”、“关系抽取”的技术。其中,“事件抽取”是从文本中抽取出重要的事件信息,比如:事件发生的时间、地点、人物、原因等等,然后再将这些信息 与 知识点相关联。
知识图谱中的知识,会按照前面的步骤不断的进行扩充。这个过程,我们还会结合“知识融合”相关的技术,用来消除歧义信息,保证只有高质量的知识才可以进入图谱。
当知识达到一定量级以后,就可以开始知识的探索之旅了。
三、学习路径
事实上,借助“实体链接”的技术,机器就拥有了“理解”的能力。当你提出一个问题,问题中的信息就会和图谱中的信息链接起来。接下来,你可以在其中任意的穿梭,发现一个又一个有兴趣的关联。这个过程,就像是今天你喜欢的逛商场、打游戏。
可更多的时候,当你面对一个新领域,我们是没有明确目标的;尤其是当你学习的范围越来越广,涉及的领域越来越多的时候,你就越觉得自己无知,这也是学习最大的难题。
更高效的做法,不仅是要让机器理解知识,还要能够懂你、了解你,让你知道先学什么、后学什么。
这也是为什么很多时候,当你想要快速的学习一个新的领域,你会找到这个领域中最专业的朋友进行沟通,因为他既懂专业知识,也懂你。
所以,得到大脑第二步想要做的事,就是着手研究,如何为学习者量身打造合适的学习路径 。
首先,我们需要去挖掘知识的脉络结构,比如:知识点的前后依赖关系、上下位关系、从简单到复杂的递进关系等等。
目前我们也正在和国内的高校团队进行合作,目标是从高质量的图书中挖掘出这些关系,并将这些关系按照一颗颗“知识树”的形态来构建。
接着,就是在这颗知识树上,找到用户的定位。
一方面,对于老用户,我们可以根据他的历史阅读记录、搜索记录,了解他对知识点的掌握情况,并映射到对应的知识树中。
另一方面,对于新用户,我们可以提供一些标签入口,让用户自己选择一些感兴趣的领域,然后不断收集他的行为记录。
当用户了解了自己的定位以后,学习上就可以更容易的进行取舍了。比如:哪些知识又是仅限于目前的了解就够了的,哪些知识是必不可少的,哪些知识又是要继续深入学习的。
所以,这就是“得到大脑”正在开展的两个方向。未来,当你带着问题来到得到,AI会为你找到问题相关的知识,并在小范围内呈现给你。当你面对一个新的领域,不清楚 该学习什么的时候,AI会为你推荐合适的学习路径。
你可能要问我,什么时候能用到这些东西,现在我还不能明确的告诉你。但我能明确的是:当你用上这些功能的时候,我们已经在探索更远的方向了。
好了,刚才的那些技术细节,可能并不是很好理解,但是没关系,实际上我想讲的是:我们正在努力做的这件事,就是为了让你的探索更自由。
谢谢大家。
本文为得到的首席数据科学家 杨溥在“得到3周年开放日”的分享,由得到APP授权发布
本文由 @得到 授权发布于人人都是产品经理,未经作者许可,禁止转载
题图来自Unsplash,基于CC0协议
以上所述就是小编给大家介绍的《技术,推动知识的迭代更新》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Computational Advertising
by Kushal Dave、Vasudeva Varma / Now Publishers Inc / 2014
Computational Advertising (CA), popularly known as online advertising or Web advertising, refers to finding the most relevant ads matching a particular context on the Web. The context depends on the t......一起来看看 《Computational Advertising》 这本书的介绍吧!