youtube买赞网站 --油管涨播放量网站

首页 YouTube 作者：coolfensi 2022年09月29日热度：64 评论：0

时间：2022-9-29 0:02 热度：64°

大数据季刊公司出品

校对：Seiches

Google的智能化申明SmartReply自面世迄今已有4年多了，在此之后，随著此项控制技术在Gmail和Android手机短信应用领域软件上的应用领域，它已保有了大批的使用者，而透过Android Wear智能化网络平台此项机能将能扩展到了更多电子设备。

该机能将置入YouTube Studio中，也是写手们用以管理工作他们的YouTube形像，查阅统计数字，推展电视频道并招揽影迷的多方位的控制面板。

在YouTube Studio的评论部分，写手们能过滤、查阅和申明来自各个电视频道的评论。

对于保有大批影迷的写手而言，申明评论可能非常耗时，而这正是SmartReply的强项。

开发人员现在能使用SmartReply在Google Play控制面板上申明评论，并且能用MLKit（机器学习工具包）和TFLite（针对移动和嵌入式电子设备的应用领域软件库）中提供的API来开发他们的申明工具。每次应用领域SmartReply，需要针对具体的任务要求自定义配置，因此在建模和服务方面都面临着独特的挑战。

在这篇文章里，我们很高兴分享针对YouTube的SmartReply，这是在YouTube Studio中实现的，它能帮助泵写手们更轻松地与影迷互动。该模型透过能高效计算的膨胀型自注意力网络来学习评论和各种申明，而且是第一个跨语言和基于字符字节的SmartReply模型。

目前，英语和西班牙语写手都能使用这款SmartReply for YouTube。使用这种模型未来能更加简便地将SmartReply扩展到其他语言。

YouTube上的自动申明存在一定的挑战性。

首先，视频写手收到的评论数量巨大。此外，写手和影迷所形成的内容也各不相同，这体现在评论、讨论和视频的创意上。与通常用词都比较正式的电子邮件相比，泵上的评论具有更复杂的模式，比如语言混搭、缩略词、俚语、标点符号用法不一致以及高频使用表情符号等。

比如像这样的：

深度检索

SmartReply邮件版最初是使用递归神经网络，将收到的电子邮件按词编码，然后使用另一种按词编码的递归神经网络来生成答复。

虽然这种方法具有较好的表达力，但在计算上的开销却很大。而我们发现，设计一种能检索预定义的推荐答复语列表的系统，从而生成最适当的申明，也能达到相同的效果。

这个检索系统对收到的内容及其建议的答复进行独立编码。

首先，对文本进行预处理以提取单词和短语。这种预处理包括但不限于语言识别、标记化和规范化。然后，用两个神经网络同时独立地对收到的内容和建议的答复进行编码。这种分解使我们能预先计算建议的答复，然后使用有效的最大内积搜索数据结构来检索建议的答复集。这种深度检索方法使我们能够将SmartReply扩展到Gmail应用领域，并且成为包括当前YouTube智能化申明系统在内的多种SmartReply系统的基础。

不只是词语处理这么简单。

之前的SmartReply系统是按词进行预处理，这种预处理只适用于若干种语言和写作风格。而在YouTube中，这样的系统将面临巨大的挑战，例如，典型的评论可能内容驳杂，如使用了表情符号、艺术字、语言混搭等。有鉴于此，并且我们最近在字节和字符级语言建模方面的工作中得到了些启发，我们决定不进行任何预处理就对文本进行编码。这种方法的研究基础是，深层Transformer（基于注意力机制的编解码器模型）网络能够从零开始对单词和短语进行建模，只需将文本按字符或字节序列输入即可，模型质量与word-based模型相当。

尽管初步结果令人鼓舞，特别是处理带有表情符号或错别字的评论，但由于字符序列长于对等单词，并且自注意力层（self-attention）的计算复杂度是随自负序列长度变化，因此模型推理速度很慢。我们发现，透过在网络的每一层使用临时缩减层来缩小序列长度，类似于WaveNet中应用领域的扩散控制技术，能在计算耗损和模型质量之间取得良好的平衡。

下图展示了一个双编码器网络，该网络对评论和申明都进行编码，透过对比性网络训练网络来使其潜在表征之间的交互信息最大化。一开始将嵌入的字节序列提供给transformer网络，后续每一层的输入将按照等偏移量按比例删减字符。这样在若干个transformer层之后，输入序列长度被大大缩短，从而大大降低了计算复杂度。能用其它算法（例如平均池化）代替此序列压缩方案，尽管我们没有发现有任何更复杂的方法能带来更大的好处，为了简化起见，我们还是选择使用它。

一个双编码器网络，可透过对比性目标使评论及申明之间的交互信息最大化。每个编码器的输入是一个字节序列，且为高效的膨胀transformer网络。

通用模型

我们没有为每种语言训练单独的模型，而是选择为所有支持的语言训练一个跨语言模型。这样做能支持评论中包含混搭语言的情形，并使模型能够利用各语言中的公共元素来学习和理解新的语言，例如表情符号和数字。此外，只有一个模型还能简化日后的维护和更新工作。尽管该模型目前只针对英语和西班牙语，但其固有的灵活性使它将来能够扩展到其他语言。

如果检查该模型产生的多语言建议申明集的编码，能发现该模型将各种类似的申明进行了聚类（无论申明属于哪种语言）。

这种跨语言的能力在模型并没有使用任何多语种平行语料库进行训练的情况下就表现出来。下图中展示了模型在面对三种语言输入时如何根据其含义对申明进行聚类。例如，英文评论这是一个很棒的视频周围有适当的申明，例如谢谢！此外，查阅其他语言中最临近的申明，能看出它们与英文申明中的含义也相似。2D投影还显示了由相似含义的申明组成的其他跨语言聚类。这种聚类展示了模型为使用者提供了丰富的跨语言体验。

在假定的评论和部分潜在申明时模型编码的2D投影。围绕英文评论（黑色）的邻域包含适当的英文申明以及对应的西班牙语和阿拉伯语申明。这里，网络学会了在不使用任何平行语料库的情况下使英文申明与其他语种申明保持一致。

申明的时机

我们的目标是帮助泵写手们，因此我们必须确保SmartReply仅在非常必要时才给出建议。理想情况下，仅当写手有很大可能会申明评论并且模型很可能提供明智而具体的申明时才显示建议。为此，我们训练了辅助模型以识别哪些评论应触发SmartReply机能。

写手们无需手动输入所有申明，而是能点击系统建议的其中一个申明即可。比如，如果某个影迷说期待接着将发生什么，那么SmartReply可能会建议回答谢谢！或常来看看！

此外，Google表示，它希望建立这样一种SmartReply系统，仅在写手很希望申明评论以及SmartReply能够提出合适的申明时，系统才给出建议。这要求对该系统进行训练，以识别哪些评论应触发系统机能。

结论

根据SmartReply现在使用的算法，Google相信未来它将能够支持更多的语言。