（三）典型应用
1.聊天机器人
在实践中，对话系统通常是为了情感互动、客户服务、信息获取等目的而构建的，大致可分为闲聊机器人、面向任务的对话机器人和面向特定领域的对话机器人三类。其中闲聊机器人通常设计用于模拟人类在对话中的反应。随着深度学习的发展，聊天机器人的设计方法逐渐从基于检索、基于匹配或基于机器学习的方法转变为利用seq2seq架构。
而要提高用户满意度，具有情感沟通的功能不可或缺。但由于语义稀疏性和人类情感的复杂性，很难从一个给定的句子中模拟人类情感，这使得预先指定便签一类的专家系统式方法难以取得成效（见图2-1）。
最新提出的EACM网络基于统一的seq2seq架构，嵌入自注意力增强的情绪选择器和情绪偏向的响应生成器，通过模拟的方式来建立文段中的情感和语义信息模型，用来自动生成对情绪有感知的、合适的回复（见图2-2）。这种网络不需要最优情绪响应类别的先验条件，而是自己从对话中学习情感交互模式，从而形成情感感知反应。[3]
2.预测国家或地区的能源消耗
图2-1 情感互动模式
（图源：Wei W，et al.Emotion-Aware Chat Machine：Automatic Emotional Response Generation for Human-like Emotional Interaction[G].Proceedings of the 28th ACM International Conference on Information and Knowledge Management，2019：1401-1410.）
机器学习作为最早成熟落地的AI算法模型，被大量应用于能源消耗预测方向，譬如爱斯维尔数据分析公司就各国家和地区的电力能源消耗进行分析预测。其1999年刊发的论文Long Term Distribution Demand Forecasting Using Neuro Fuzzy Computations基于土地利用状况对配电负荷进行预测，使用RBFN网络结构完成全局建模和负载建模，同时结合人的直觉、预测、经验，采用模糊系统理论完成空间建模（见图2-3）。这种基于模糊逻辑的方法相较于传统的启发式算法具有更好的处理不确定性和常识的能力。[4]
该公司另于2010年刊发Greek Long-term Energy Consumption Prediction Using Artificial Neural Networks，文中使用多层感知机、线性回归方法和支持向量机方法对希腊电力消耗进行预测，并在和历史数据的对比中发现预测结果和事实吻合得很好（见图2-4）。
图2-2 EACM框架
（图源：Wei W，et al.Emotion-Aware Chat Machine：Automatic Emotional Response Generation for Human-like Emotional Interaction[G].Proceedings of the 28th ACM International Conference on Information and Knowledge Management，2019：1401-1410.）
3.医学影像处理——糖尿病性视网膜病变的深度学习检测
深度学习最早被应用于视觉领域，完成图像分类、目标检测、语义分割、目标追踪、行为识别、超分辨率重构、3D场景重建等任务。
深度学习在医学图像处理领域主要用于影像分类，器官、区域和界标定位以及目标或病灶位置检测、图像分割、图像配准、影像复原、影像生成和增强等。经典网络结构如U-Net利用较小的网络结构和多粒度、多模态的特征实现对医学图像的语义分割与稀疏投影CT成像。中国医学人工智能的发展丝毫不亚于发达国家，并且正以难以置信的速度前进。最重要的原因是中国医疗数据的量级远远超过其他国家，而数据规模对于深度学习算法起到了非常关键的作用。当然，我国基于深度学习的医疗影像产品还不够成熟，主要体现在诊断准确率不足、假阳性率高和鲁棒性较差三个方面。[5]
图2-3 RBFN结构
（图源：Padmakumari K，Mohandas K P，Thiruvengadam S.Long Term Distribution Demand Forecasting Using Neuro Fuzzy Computations[J].International Journal of Electrical Power &Energy Systems，Volume 21，Issue 5，1999.）(https://www.daowen.com)
图2-4 预测结果与真实数据
上海交通大学附属第六人民医院贾伟平教授课题组构建了糖尿病视网膜病变辅助智能诊断系统Deep DR。该系统是一个迁移学习辅助的多任务网络，用于评估视网膜图像质量、病变和DR等级（见图2-5）。其利用标注图像训练开发，实现了对糖尿病视网膜从轻度病变到增殖期病变的全病程自动诊断，并能对眼底图像的质量进行实时反馈，高效识别眼底病变，对DR从早期到后期的全过程检测都具有较高的灵敏度和准确性。贾伟平教授课题组以A Deep Learning System for Detecting Diabetic Retinopathy Across the Disease Spectrum为题将成果发表在Nature子刊Nature Communications上。
图2-5 DeppDR框架
（图源：Dai L，Wu L，Li H，et al.A Deep Learning System for Detecting Diabetic Retinopathy Across the Disease Spectrum[J].Nature Common，2021：3242.）
Deep DR系统由三个深度学习子网络组成：图像质量评估子网络、DR分级子网络和病灶感知子网络。图像质量评估子网络使用了466247张图像进行训练，对图像能否分级进行二分类，并识别是否存在伪影、清晰度不足等特定图像质量问题。DR分级子网络使用了415139张无质量问题的图像进行训练，将图像划分为非DR，轻度、中度或重度DR，PDR，并判断是否存在DME的二元分类。病灶感知子网络使用了10280张已标记的视网膜病变图像进行训练，以实现微动脉瘤、CWS、硬渗出物和出血的检测和语意分割。
训练过程中采用迁移学习方案，用预训练权重作为DR网络基底，再对上层网络进行finetune，并将病灶感知子网络的分割模块提取的病灶特征和DR分级子网络提取的病灶特征进行级联，以提高分级性能。使用20%数据作为早期停止验证集来避免过度拟合。
本地和外部数据集的测试结果表明该系统对此类病变具有较高的准确率和优秀的泛化能力，图像质量和病灶感知子网络的引入也使其以一种更贴近眼科医生的方式思考。该系统可以应用于获取视网膜图像时实时判断图像质量是否达标，还可以提供视觉提示、帮助用户识别不同类型病变的存在和位置，提高诊断速度与质量。[6]
在同一领域，Google公司研究者Gulshan团队在2016年采用深度学习网络对128175张已由54名美国专家标注过的视网膜眼底图像进行训练，然后在单独的测试数据集上进行了验证，准确率达到曲线下面积91%，检测效能可与人类专家相当。这项研究证明了糖尿病视网膜病变人工智能自动检测的应用前景，可大大提高检测效率和可复制性，扩大筛查范围，减小患者就诊难度，实现早诊早治。[7]
4.新闻写作与谣言检测
在新闻文本写作中，自然语言处理中的文本生成技术被广泛地用于自动生成简短的新闻报道、文段概括与摘要、谣言检测等。在国外有WordSmith（美联社）、Quakebot（《洛杉矶时报》）、Quill（Narrative Science）等，国内有快笔小新（新华社）、DreamWriter（腾讯）等AI写手撰写财经分析、体育事件速报等新闻稿件。
人工智能在协助生产新闻的过程中自动与受众需求相匹配，旨在满足受众对新闻的个性化需求，受众偏好、认知习惯等影响着新闻生产，传统的线性新闻生产规律被打破。同时新闻的时间线不再重要，被忽视乃至被删除的内容可能关乎新闻的全貌，使得智能化时代下的新闻仅能让受众看到有关事件的一角。不仅如此，由于个体跨时空不断填充新闻，其内容可能因此失焦、产生矛盾，不同媒介及个体就相同新闻发声导致时空重叠现象，新闻的质量也随之降低。[8]而这种鱼龙混杂的情况进一步混淆了读者视听，让假新闻更有可能乘虚而入，加之谣言本身的高速传播属性与现代推荐系统的契合，使谣言识别这一课题日益重要。
在这一方向近年来提出了基于多模态识别的EANN事件对抗生成网络，一种通过移除事件特定特征，保留共享的可转移特征来检测谣言通用框架的模型（见图2-6）。该模型由多模态特征提取器、虚假新闻检测器和事件鉴别器组成。
图2-6 EANN框架
对于多模态特征提取器，该模型使用改进的TextCNN提取多粒度的文本特征，使用预训练的VGG-19作为视觉特征提取器处理配图，而后将二者拼接起来形成多模态输入。对于虚假新闻检测器，使用二分类交叉熵判别新闻真假，但这不足以训练出泛化能力强的检测模型。对于事件鉴别器，其训练目标反常道而行，通过随机梯度下降和梯度反转层训练得到尽可能大的交叉熵损失，借此来删除事件独有的特征，提高模型泛化性能。同时，事件鉴别器也使得该模型无须像GAN一样分段固定训练，使之做到了端到端的训练。[9]
其实验结果显示出图像较文本更易传递，而多模态识别模式比单独的视觉识别模式更加有效，并且整体较Baseline有了很大提升。
