人工智能算法的實戰(zhàn)演練和強化學(xué)習(xí)

宋燕

摘 要 人工智能是一門綜合性的交叉學(xué)科技術(shù)，該技術(shù)的學(xué)習(xí)除了對數(shù)學(xué)、計算機、通信等專業(yè)理論知識的要求，更需掌握該技術(shù)對實際問題的分析和解決能力。本文以基于人工智能算法的大數(shù)據(jù)比賽為例，從課題選題、研究內(nèi)容的制定、方案的規(guī)劃及項目完成的整個流程的介紹，說明了實戰(zhàn)演練對人工智能算法學(xué)習(xí)的重要性，同時也充分調(diào)動了學(xué)生學(xué)習(xí)的主觀能動性和團隊的合作能力。

關(guān)鍵詞 人工智能算法 大數(shù)據(jù) 實戰(zhàn)演練

中圖分類號：TP24文獻標識碼：A

0引言

近年來，隨著信息通訊和計算機技術(shù)的迅猛發(fā)展，人工智能技術(shù)成為科學(xué)領(lǐng)域的一大研究熱點，已經(jīng)滲透到社會生活的眾多領(lǐng)域。國內(nèi)外許多高校相繼增設(shè)人工智能專業(yè)或開展人工智能等相關(guān)課程的建設(shè)以培養(yǎng)該領(lǐng)域的專業(yè)技術(shù)人才。傳統(tǒng)的理論教學(xué)模式已無法滿足社會對綜合性應(yīng)用人才的需求，尤其是當(dāng)今熱門的人工智能領(lǐng)域的技術(shù)人才的培養(yǎng)，實戰(zhàn)經(jīng)驗和演練具有十分重要的現(xiàn)實意義。

1課題選題及研究目的

隨著信息發(fā)布平臺的多元化、普遍化、大眾化，信息呈現(xiàn)爆炸式增長，人們可以通過不同渠道快速獲取消息，給生活帶來了極大便利。然而面對大量似是而非的虛假消息，尤其是混雜在真消息中的謠言，人們難以區(qū)別其真假。并且在假消息的錯誤引導(dǎo)下，有些人會輕信假消息，將假消息傳播給自己的親朋好友，導(dǎo)致假消息快速傳播。新型冠狀病毒自爆發(fā)以來，造成國內(nèi)外數(shù)百萬人感染。病毒的快速蔓延，使得網(wǎng)上產(chǎn)生許多關(guān)于病毒起源、感染人數(shù)以及神奇療法的錯誤說法。本課題以新型冠狀病毒疫情為例，通過對疫情謠言的文本分析，旨在建立一個能夠有效辨別真實、虛假新聞的模型。通過建立真假輿情專家模型，不僅可以幫助群眾提高辨別能力，有效遏制謠言傳播，還可以輔助政府部門的謠言治理能力。

2課題研究內(nèi)容和方案

2.1數(shù)據(jù)預(yù)處理

首先，對公開網(wǎng)站收集的數(shù)據(jù)集在Python調(diào)用Jieba庫來對新聞信息進行切詞處理;其次，運用一種融合關(guān)鍵字提取算法與詞向量技術(shù)的相似度計算方法即TF-IDF算法進行優(yōu)化文本特征選取，最終得到包含真實、虛假新聞關(guān)鍵特征的結(jié)構(gòu)化數(shù)據(jù);再者，考慮到詞頻對于判別標準的影響不大，所以采用詞袋模型將特征提取后的數(shù)據(jù)進行編碼，轉(zhuǎn)化為數(shù)值向量;最后，運用PCA特征降維技術(shù)去除特征中的冗余和噪聲信息。

2.2不平衡數(shù)據(jù)的過采樣技術(shù)

實際生活中，真假新聞標題類別數(shù)目往往存在不平衡關(guān)系，分類器在處理這類數(shù)據(jù)時極易向多數(shù)類樣本傾斜，往往表現(xiàn)出較差的分類性能。然而在實際情況下，相較于多數(shù)類樣本，少數(shù)類的數(shù)據(jù)往往隱含重要信息，更值得被關(guān)注。因此，如何提高少數(shù)類樣本的信息表達并提升分類器性顯得尤為重要。

具有代表性的三種過采樣策略包括SMOTE，ADASYN和CBSO算法，但是這些成熟的算法仍然存在一些本質(zhì)缺陷，如缺乏對數(shù)據(jù)分布特點的考慮、噪聲樣本的過濾以及邊界樣本信息重要性的忽略等。為此本課題研究采用更為先進的改進的CBSO算法，其核心主要體現(xiàn)在兩方面：（1）通過同時考慮集群容量和類間距離，針對少數(shù)類樣本的不同簇使用加權(quán)分布策略;（2）對于緊湊/不緊湊的簇內(nèi)分布樣本，提出混合過采樣算法，以此獲得更理想的合成樣本質(zhì)量。

DFBASO 大致分為三個步驟：第一步，輸入不平衡的訓(xùn)練集，并將少數(shù)類和多數(shù)類樣本分別進行FCM聚類分析得到相應(yīng)子簇劃分結(jié)果;第二步，通過科學(xué)分析數(shù)據(jù)集的特征和分布，為少數(shù)類樣本科學(xué)確定了需要待合成樣本數(shù)量;第三步，將混合合成樣本算法應(yīng)用于表現(xiàn)出不同特征的數(shù)據(jù)中。

2.3數(shù)據(jù)分類

為了驗證提出方法的有效性，本課題選取了使用廣泛的支持向量機（SVM）作為分類器進行實驗。

3實驗結(jié)果分析

為了驗證作品算法的有效性及改進后的算法相較于傳統(tǒng)過采樣算法處理性能優(yōu)劣，本作品利用了傳統(tǒng)方法包括SMOTE過采樣方法、ADASYN過采樣方法以及不通過過采樣方法直接進行分類的方法與本文提出的改進方法進行對比，經(jīng)過2折交叉驗證后得出實驗結(jié)果如圖1所示。通過對比實驗易見，本課題的方法具有較好的性能。

4結(jié)束語

綜上所述，以大數(shù)據(jù)背景下人工智能算法的比賽為例，既加強了學(xué)生對理論知識的掌握程度，又鍛煉了學(xué)生對理論知識的運用能力以及實際問題的處理能力。最后，在本次人工智能算法比賽的近50支參賽隊中取得了二等獎的優(yōu)異成績。

參考文獻

[1] 姚海鵬，王露瑤，劉韻潔.大數(shù)據(jù)與人工智能導(dǎo)論[M].北京：人民郵電出版社，2018.

[2] 金國峰.重大疫情中網(wǎng)絡(luò)謠言的形成誘因及其治理[J].學(xué)校黨建與思想教育，2020（12）： 20-23.

[3] 叢培影.為何美國社交媒體假消息泛濫[N].中國國防報，2017-01-27（023）.

[4] 陳雅賽.突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)謠言傳播與治理研究——基于新冠疫情的網(wǎng)絡(luò)謠言文本分析[J].電子政務(wù)，2020（06）： 2-11.