阿里妹導讀：文娛內容很難有完整的量化指標體系，內容的復雜性決定了文娛產品的不確定性。我們如何利用AI+大數據能力，建造文娛的內容認知大腦？串聯內容全生命周期，實現對內容、流量、宣推等的“未卜先知”，提升對爆款的預測和生產能力？這本《5G+AI 阿里文娛技術實踐》會告訴你。

全新電子書《5G+AI 阿里文娛技術實踐》正式上線！通過窄寬高清革新、大麥物聯網技術、6DoF視頻技術等5大板塊，帶你全面了解阿里文娛獨具魅力的思考。點擊文末下載鏈接，即可下載。

一、文娛產業趨勢及技術挑戰

文娛內容不像商品有完整的量化指標體系，它是一個復雜的實體，它跟意識形態以及用戶體驗強相關，對內容進行量化評估和衡量是非常困難的。

比如，選角兒。我們不能通過單一指標去衡量一個演員，我們需要綜合考量演員的演技、氣質、顏值、潛力等與否與某一個角色匹配，并且能生成數據指標，以實現縱橫向的對比。另外，導演、主演組盤是否為最優組合，能否成為爆款？這是更加復雜的選擇模式問題。今天面臨的技術挑戰是如何進行知識的抽取、挖掘以及推理，確定什么樣的組合是最優解。

除上述兩個問題，影片的拍攝過程更是一個龐大的系統工程和藝術創作過程。以《長安十二時辰》為例，該片非群演有約1000人，群演有300到1500人，歷時7個月拍攝217天。我們參考軟件工程行業，軟件工程發展了70年，主要研究三個層面：方法論、過程以及工具，然后是如何將三者組合。軟件行業的敏捷開發對于軟件工程的質量和效率都有非常大的提升，如何將這些理論應用到內容制作產業，讓內容制作敏捷起來？

內容敏捷即知曉過程對結果造成的影響是什么，并快速地調整內容創作過程，讓它更敏捷。但內容行業面臨的獨有特點“延遲滿足”，讓用戶在內容的某一分鐘特別嗨，可能來自于前面的30分鐘鋪墊在那一分鐘爆發了，針對內容的這個特點，我們除了要做基本的知識圖譜語義的理解之外，還要考慮如何去做有效的對應分析，如何去做對應的知識抽取等問題。

今天這個問題加劇了，比過去還要復雜。在過去的5到10年里，UPGC加上整個內容的生產量極大的發展，用戶的消費分層化、多樣化。全民爆款越來越少，用戶對內容的需求更加個性化。相應于內容生產端，就需要考慮不同用戶群的個性化需求。

二、文娛大腦基本框架：內容認知新動力

針對上面幾大困難，我們今天在做文娛大腦——優酷北斗星智庫來解決。我們將所有的內容形式和用戶消費的數據都采集下來，將人工智能的技術手段、業務領域的細分理論做整合融合，構建內容認知框架。

內容認知框架分為兩部分，內容和用戶。其思路就是心理學發展的基本的思路。

1）內容側：對內容進行理解，包括外延和內涵。外延就是內容的各種基本屬性，比如主創陣容、題材類型等；內涵主要研究內容的戲劇理論和視聽語言，圍繞制作內容的支撐要素，我們用傳統的機器學習方式對內容進行理解，再基于戲劇理論和視聽語言構造內容的衡量要素。

2）用戶側：分析用戶的觀看行為。用戶行為來自于用戶的心理偏好、心理情緒。用戶心理偏好、心理情緒來自于生理構造，基于心理學的五大人格理論和用戶的觀看行為，構建模型建立左邊和右邊的連接，從而知道創造什么樣的內容，用戶會有什么樣的感受。

三、貫穿全生命周期的文娛大腦生產力

基于內容認知框架，我們在內容生命周期的每個階段都做了具體工作：開播前提供內容評估、藝人挖掘和內容情緒挖掘等能力；在早期為內容評估提供有效的數據支撐；在制作階段提供現場解決方案，比之前更敏捷的反饋機制；同樣在播出后也提供數據支持，實現更好的宣發。

1、IP/劇本分析

上圖是《長安十二時辰》的分析示例，我們把已有的劇本作為樣本，讓機器去學習，識別出劇本的所有角色，把角色直接交互的對白、行為識別出來，再進行社團的劃分。《長安》劇本最終劃分出來幾個群體：反恐防暴小分隊以張小敬為中心，唐朝核心管理團隊以皇上為中心。通過這種方式快速定位整個劇本的人物和人物關系的展開。

2、用戶情緒識別與成片情緒挖掘

圍繞角色關系，將整個劇本的角色情緒也識別出來，構造成如上的曲線。基于對海量劇本的分析曲線，抽取出各個指標（出鏡率、戲份、情緒值等）并形成benchmark，對于之后的每一個劇本進行衡量，相當于對劇本進行一個“體檢”。

同樣是“體檢”的方法，對于《藥神》和《長安十二時辰》，我們做了用戶情緒的識別、體檢的掃描，參考零線的位置。我們發現《藥神》幾乎都是正向和負向級的，直到最后出現一個正向區間，基本上后期都是以眼淚為主。而《長安十二時辰》的情緒狀態比較穩定。對照情緒高低點的具體情節，我們發現，曲線表達的情緒和具體的故事情節是非常相符的。

3、情緒強度預測與網絡收視率

然后我們拿更多的方式去驗證它的合理性，上圖抽取《長安十二時辰》的劇集，每集有兩條曲線，藍線是剛才預測的情緒曲線，黃線是播放指數（表示每一秒鐘有多少用戶在看），通過兩條曲線對比，我們可以發現，兩條曲線的相關性比較高的將近60%，情緒的高峰、低谷和用戶的觀看行為狀態是吻合的，由此我們就提供了一種能力，基于這種能力對劇本或影片做情緒掃描，實現對影片熱度的未播先知，再對比benchmark，幫助制作者更高效的完成制作。

4、用戶情感曲線在技術上是如何實現的？

首先，我們把用戶觀影情緒的表述，映射到認知計算中常用的二維空間表示，也就是Valence 和Arousal。Valence表示情緒正負極性，Arousal表示情感激烈程度；

其次，基于情緒極性跟強度提供一個預測，這個是我們今年產出的論文。近兩年，心理學研究的核心觀點是為什么用戶會感同身受？這來自于前兩年的一個理論——靜向神經元，所以我們選擇場景、表情、動作以及聲音作為基本的模型的輸入，對模型參數進行學習。

如上所講，內容產業有強延遲滿足的問題，我們通過兩層分析來解決長短期滿足的問題，除用戶情緒分析，我們也做內容角色的情緒識別。通過圖片表情識別模型，識別不同題材類型的影片，可以獲得不同角色刻畫的人物性格。如2004年的《反貪風暴》，時隔十多年，主創人物形象的臉譜還是正向的。上圖顯示的負面角色情緒以開心、害怕為主，正面形象以悲傷、生氣為主，與負面反派的開心正好相對，正面的人一直很沮喪，是一個有些壓抑角色形象。

同樣，我們分析角色的每秒情緒，形成角色的正負情緒曲線，部分影片的分析結果曲線如上圖，不同題材類型的節目會有不同的情緒密度。所以，你想放松的時候，要看的不一定是喜劇，喜劇其實不一定會放松，因為角色的正負向情緒不停交替，由于延遲滿足，大腦負荷非常大，需要做長短記憶，反而很多愛情片對大腦的占用相對低。

角色情緒檢測是一個分類問題，所以利用人臉landmark對初始圖像做識別，生成densemap作為附加通道，和原始圖片RGB三通道拼接合并后作為模型輸入，這樣可以使densemap對應的關鍵區域權重更大，更容易讓模型捕捉關鍵區域特征；合成的輸入送入到Reduced Xception 網絡進行特征提取；在loss方面，我們引入了基于SVM的marge loss，提升各情緒類別的類間差距，提升情緒識別的效果，具體如上圖。

基于前面對內容的各種理解產生的各種緯度的內容的量化緯度，我們構建了預測模型，可以提前預測出節目的流量走勢，如內容認知框架中所講的，首先對內容進行量化，然后對內容相應的量化緯度進行提前的預測，為業務決策提供輔助支撐。

最后，分享我對未來趨勢的一些見解。在強人工智能尚遙遠的情形下，如何結合機器AI和人工經驗將是個永恒主題。一是結合符號學派智能和鏈接學派智能，建設和完善決策引擎，包括結合人工邏輯規則和可學習數據AI，不確定性分析框架和經久不衰的貝葉斯因果決策，以及神經元化的混合智能計算框架。二是量化的心理學研究也越來越重要，如何結合大數據應用價值非常大。這也是阿里文娛大腦探索的方向。

從優酷窄寬高清革新布局
到大麥物聯網的實踐之路
從文娛內容認知的AI大腦
到交互式的6DoF視頻技術
5G時代來臨
如何用新技術提升用戶體驗？
《5G+AI 阿里文娛技術實踐》正式上線！
點擊立刻下載

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的阿里文娱首次公开！AI 如何对爆款内容未卜先知？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。