智能写作-智能写作功能
编辑：pitaya02 日期：2020-09-23
第一自动书写
自动化写作通常基于大量的材料，根据应用需要线索(如事件、人物等等)筛选出适当的内容，根据内容的分析提取所需的信息，最后根据写作逻辑组织成篇章结果。火龙果智能写作
第二，辅助写作
新书是怎么写的？怎样写？怎样写好？推动适合的用户使用？
-通过学习大量的类似文章，人们可以从统计概率的角度推测出未完成句的后半句或已完成句的后半句，从而建立起在特定领域(如法律文书)的写作中，能够有效提高写作效率的写作材料推荐在写作过程中，辅助写作能够根据人正在写作的内容，推荐与之相关的实际信息和材料，如事件发展的脉络，节省了作者独自搜寻整理材料的时间，提高了写作经验的一致性对写作很重要，但构思一个吸引人的标题并不容易，算法可以在学习了大量优质标题的基础上，为写作者推荐吸引人的优质标题火龙果智能写作
第三，智能写作的核心技术
古典自然语言生成算法的三个核心步骤是：篇章规划、微观规划和表层实现篇章规划，这三个步骤是用来解决“写什么”问题的。章节计划步骤需要确定标题，章节布局，以及每一章节的最终写作结果所对应的输入材料。微计划这个步骤解决了**“如何写”这个问题。通用的模板写作(模板生成)完成了这一步。表面实现解决了一个问题：“如何才能形成符合人类习惯的自然语言？”最典型的一个例子就是指代生成(Referring Expression Generation)，这种方法能够识别出需要被代词取代的实体，使之更符合人类写作习惯。神经网络序列生成算法智能诗歌生成算法智能诗歌生成是一种常用的机器生成方法，也是一种典型的序列生成算法。Chinese Poetry Generation with Recurrent Neural Networks Chinese Poetry Generation with Planning based Neural Network标题生成算法标题生成在辅助写作中有广泛的应用：写作完成后，如果能迅速确定一个高质量的标题，不仅节省了作者的人力投入，而且有助于分发写作结果，使写作结果更能触及到有相应需求和兴趣的读者。AutoSummary Functions自动摘要算法在生成序列时比较困难，因为它通常需要处理长篇大论的输入，而且其输出要比前面提到的标题和句子要长。应用程序集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成集成建模技术针对各种材料，需要运用文本分析技术提取关键字、标签、情感倾向、摘要等信息，以达到写文智能化。火龙果智能写作
4.智能写作 VS人工写作
《误解》：智能写作技术可以完全取代人类写作的工作。
写是人的创造力和智力的集中体现，完全可以取代人的智能写技术与实现还存在很大的差距。所以实际上，智能写作的意义并不在于代替人的工作，而在于作为人工智能赋予人的一种新的生产力工具，帮助人提升媒体、文创等相关产业的生产力。
5.智慧写作的前景
新近技术与应用探索的方向：
怎样引进知识和常识不依赖平行语料训练序列生成算法有效地评价智能写作算法效果如何赋予智能写作技术人文关怀特性构建智能写作伦理体系
智慧诗体
以传统方法为基础的诗歌创作
机械诗学在20世纪70年代就开始了研究。诗歌生成的传统方法主要有以下几种：
** Word Salada (字词沙拉):**是最早的诗歌创作模式，被称为简单地随意组合和堆砌字词，没有考虑语义语法要求。以模版和模式为基础的方法：**以模版为基础的方法类似于完形填空，将已有的诗歌中的一些字作为模版，并用其他的字代替，生成新的诗。这一方法产生了语法上的提升，但其灵活性太差。于是后来出现了以模式为基础的方法，通过限制每一个位置词的词性，韵律平仄，来产生诗歌。以遗传算法为基础的方法：周昌乐等提出并应用于宋词生成。在这里，诗歌生成是一个状态空间搜索问题。首先是随机性的句子，然后借助人工定义的句子评价函数，不断地进行评价，不断地迭代，最后得到诗歌。此方法对单句效果较好，但对不同句子缺乏语义一致性。文摘生成的方法：**严睿等将文摘生成视为给定写作意图的文摘生成问题，并加入了一些与文摘相关的优化约束。以统计机器翻译为基础的方法：** MSRA的何晶和周明把诗歌生成看作机器翻译的问题，把前一句看作源语言，把下一句看作目的语言，用统计机器翻译模型进行翻译，再加上平仄押韵等限制，得到下一句。在此过程中不断重复，以获得完整的诗歌。火龙果智能写作
二、Chinese Poetry Generation with Recurrent Neural Networks
基本观点：
图示：
该论文于2014年在 EMNLP上发表。
本文提出了一种基于 RNN的中国古代诗歌生成模型。
第一句是由用户提供的关键字产生的，第二句是由第一句产生的，第三句是由一、二句产生的，重复这一过程，直到诗歌生成完成。该模型包括三个部分：
* Convolutional Sentence Model (CSM)：用来获得句子向量表示的 CNN模型。**摘要文本模式(RCM):**句子级的 RNN，根据历史信息生成句子的向量，并输出下一个要生成句子的 Context向量。恢复模式(RGM):**字符级 RNN，基于 RCM输出的 Context向量以及该句之前已经生成的字符，输出下一个字符的概率分布。译码器根据 RGM模型输出的概率和语言模型概率加权后，生成下一句诗，诗的韵律由人工规则保证。
模式结构如下图：
建模示例如下图：
https://zhuanlan.zhihu.com/p/26604113
https://www.cnblogs.com/naniJser/p/9029619.html
https://blog.csdn.net/wty__/article/details/52677834
七、Chinese Poetry Generation with Planning based Neural Network
model不需要专家知识，它是一种端到端的模型。在人类开始写作之前，它试图模拟人类制定一份写作提纲。诗诗生成的整体框架由计划模型和生成模型两部分组成。
**计划模型：**使用 Query作为输入表示用户的写作意图，生成写作提纲。作文提纲是一系列的主题词，第 i个主题词代表第 i句的主题。利用 TextRank算法，结合word2Vec词向量排列关键字重要性，得到关键字的最高值。若提取的关键字太少，则使用 RNN预测新关键字。**使用Knowledge-based method来扩展关键字，如果用户输入的关键字不在词典中(百度百科、 wikepedia、 WordNet)
*构建模型：**基于encoder-decoder框架。encoder有两个，其中一个 encoder以主题词为输入，另一个 encoder以历史生成的句子为输入，并由 decoder生成下一个句子。在生成 decoder时，使用 Attention机制对主题词和历史生成内容的矢量进行评分，由模型决定生成过程中各个部分的重要性。
functional模型中，使用者的写作意图，基本上只能反映在第一句，当生成过程往后进行时，后句与使用者的写作意图之间的关系变弱，就会出现主题漂移问题。而且计划模型能使使用者的写作意图直接影响整首诗的生成，从而在一定程度上避免了主题漂移问题，使其逻辑语义更加连贯。
整体架构如下：
火龙果智能写作是全球第一款中英双语语法检查校对产品，运用火龙果智能写作技术进行错别字文本校对，除错别字校对以外，还可以对语法、标点等进行校对。
火龙果智能写作官网https://www.mypitaya.com
积极拥抱变化，才能更好的应对这个时代