人工智能在情报工作中的应用研究*
● 冯秋燕，朱学芳
(南京大学信息管理学院多媒体信息研究所，江苏 南京 210023)
摘 要： 人工智能技术的快速发展和广泛应用，给情报工作注入了新的发展动力。文章首先概述了人工智能，总结了研究现状。其次，通过讨论人工智能对情报工作流程的影响，分析了基于人工智能技术的情报服务模式，探讨了从信息采集到情报服务的全链条智能化情报服务。最后，构建了新型情报工作体系，从人工智能与情报工作的核心层次上，阐述了人工智能与情报工作的融合发展。对未来新型智能技术落地于情报工作有一定的参考价值。
关键词： 人工智能；情报工作；情报服务；服务模式；融合发展
人工智能是一门交叉型综合性技术学科，主要研究和开发用于模拟、延伸和拓展人的智能的理论、方法和技术[1]。其终极目标不仅包括让机器理解人类意图，具有类人的分析和解决问题的能力，还包括模拟人类的思维、情感与社交等高级行为能力。在2016、2017年间，AlphaGo相继以4 ∶1和3 ∶0的比分战胜了世界围棋冠军李世石和柯洁，人工智能技术引起了全球的高度关注。2018年OpenAI的DOTA AI “Open AI Five”再次完胜人类；由搜狗与新华社合作开发的全仿真主持人“AI合成主播”已正式亮相。可见，人工智能正在变革着传统的思维和产业形态，其研究和应用已经逐步渗透到社会生活的各个领域。2017年国务院政府工作报告指出：“全面实施战略性新兴产业发展规划，加快人工智能等技术的研发和转化，做大做强产业集群”，说明政府高度重视人工智能技术的创新研究工作和应用转化价值，并将人工智能等新兴技术提升至国家产业战略地位。马费成指出技术环境的提升创造了有利的科研条件，社会科学应与自然科学相互借鉴学习[2]，阐述了人工智能技术将会为社会科学情报的发展带来全新的研究视角与实践指导，积极借鉴人工智能中的新技术和新方法对推动我国社会情报工作的理论创新与实际应用具有重要的价值意义。
人工智能的快速发展对情报工作过程和情报服务模式均产生了深远的影响。尤其是在当今的大数据时代，用户对情报工作多元化的要求，使得既有的情报工作方法和服务模式难以满足现实的需求；而人工智能在处理海量数据方面的先天优势，可以在情报工作未来的发展中发挥重要作用。
1 人工智能概述
人工智能是一项涉及神经科学、脑科学、生命科学、心理学、逻辑学、认知科学、计算机科学等多个领域的综合性学科技术[1]。从20世纪50年代至今，人工智能的发展主要经历了推理期、知识期、机器学习期三个研究阶段。近年来，计算机软硬件性能的显著提升、大数据的推动及算法的改进，促使人工智能以深度学习之名再次崛起，开启人工智能新的发展阶段：AI 2.0。随着人工智能的不断发展，其内容愈加丰富，体系结构如图1所示。人工智能以数学、计算机科学、生命与生物科学为基础学科理论，立足特定领域，研究智能化发展与应用，提供解决问题的新思路、新方法；以机器学习、深度学习、强化学习、计算智能为核心，突破理论瓶颈，促进行业创新；以智能传感器、智能芯片、智能平台、智能软件系统为基础设施，大幅度提升计算环境，创建良好的科研工作氛围；以模式识别、计算机视觉、自然语言处理、人机交互、数据挖掘为基础技术，泛化典型共性技术的应用实践。
图1 人工智能体系结构
人工智能体系结构如图1所示，由图1可知，人工智能以基础学科为依据，以基础理论为助力，以基础设施为基奠，以基础技术为手段，解决大量现实问题，促进行业健康稳定的发展。目前，人工智能在智能交通、智能医疗、智能金融、智能电网、智能物流等领域的发展已蔚然成风，如表1所示。
表1 典型行业应用
由表1可知，人工智能在各个行业的蓬勃发展，简化了工作流程，提升了工作效率，带来了巨大的经济价值与社会效益。这也为其在情报工作中的应用研究提供了借鉴意义。
2 研究现状
3)数据资源层是情报“大脑”层的物质基础。数据资源层主要包含情境信息、用户信息、多模态知识库和反馈上下文。情境信息实时接收并保存源自情报服务层的即时性环境信息。用户信息包括用户自身的基本属性信息、历史行为数据及其社会网络信息，用于提供精准的个性化决策方案。多模态知识库包含多模态领域知识、模型、方法、案例等内容，是决策支持的先验依据与理论基础。反馈上下文存储用户做出决策后可见的或可观察的反馈数据，是修正决策、契合用户需求的关键参考源。
表2 研究现状
笔者认为，上述问题的思考和解决，对于挖掘几何课程的育人价值具有根本的重要性.例如，在97版教材中，直接说“根据两个平面平行及直线和平面平行的定义，容易得出下面的结论：α∥β，a⊂α，a∥β”，给出了结论确实是“容易”理解，但如果要让学生自己“这样去思考”、“如此去发现”，那么就绝非“容易”，因为这里涉及对“什么叫位置关系的性质”的理解，是在数学基本思想指导下的发现活动，而这正是这个内容所蕴含的育人价值之所在.
由表2可知，国内外图情领域对人工智能的研究各有千秋。虽然国内基于人工智能技术对情报工作略有研究，但主要集中在影响及对策建议、情报分析等领域，对情报工作的整体性研究相对缺乏。本文将人工智能技术引入情报工作，阐述从信息采集到分析到决策支持的全链条情报服务模式。
3 基于人工智能技术的情报服务模式
情报工作的目的就是为用户制定或提供相对完备的科学性决策[21]。“人工智能+”情报工作，是指利用人工智能技术，依托情报大数据，客观精准地计算用户的知识储备与能力资质、兴趣偏好与行为习惯，结合情报工作的规范和方法，合理地为用户配置个性化服务内容。本节首先简要介绍情报工作流程，然后探讨基于人工智能技术的情报服务模式。
3 .1 情报工作流程
本文研究用于农业跨区域生产车载系统，分为车载地图显示模块、GPS接收模块、GSM无线通信模块。车载地图显示模块实现电子地图的显示等功能。GPS接收模块实现GPS定位信息的接收，并通过解码读取经纬度信息与电子地图中经纬度信息匹配。GSM无线通信模块实现通过接发短消息与主机通信获取信息，对车载部分电子地图实现实时更新与反馈。
图2 情报工作流程
1)在信息采集阶段，不同类型的信息可以从不同视角揭示、评估、解释同一事物，弥补单一信息表达能力有限或无法获取等问题。现今，图像、音视频等信息资源充斥着各个领域，包含有大量的知识与情报价值。利用人工智能的感知功能系统从传感器、智能软硬件、数字图书馆、专家、用户等多个来源收集各个领域的多模态信息资源，对各类数据源进行定位和连接，实现多源数据的采集和汇聚、调整和补充。
2)在信息组织和存储阶段，利用人工智能的认知功能，灵活地实现多模异构信息资源组织与存储。利用长短期记忆网络(LSTM)[22]、卷积神经网络(CNN)[23]、深度置信网络(DBN)[24]、自注意力模型[25]自动学习文本、图像、音视频等数据的高层或隐藏特征的分布式表示，实现多模态数据的分类、组织、映射。利用自适应知识转移框架[26]、迁移学习[27]自动学习相关任务中知识的共同表示，将不同特征空间或者不同数据概率分布的领域知识进行迁移，实现多模态知识的组织与存储。利用深度学习及强化学习实现多模异构信息的整合，建立统一的语义多模态知识库。
3)在信息分析阶段，利用人工智能的高性能运算功能，在保证语义不变性的同时从多模态信息中抽取出语义并将其投影到语义空间，进行抽象语义表征，实现对海量信息自学习、加工、识别与挖掘，一定程度上提高了信息分析活动的智能性，同时也提升了信息分析过程的客观性。利用深度结构化语义模型(DSSM)[28]、注意力—长短期记忆网络(Attention-LSTM)[29]、深度置信网络(DBN)[30]，卷积神经网络[31]，在统一语义空间内，基于语义组合技术实现多模态信息实体及其关系间的组配，完成目标数据与源数据间的计算分析。
4)在决策支持阶段，利用人工智能的推理与决策能力，提供并优化多模态决策结果。利用循环神经网络(RNN)[32]、多层感知器与卷积神经网络(MP-CNN)[33]、深度神经网络(DNN)[34]，实时学习用户画像与决策判读等视觉情境信息的隐表示。利用深度确定性策略梯度(DDSG)[35]、异步优势行动者—评论家(A3C)[36]、自举型深度Q网络(Bootstrap-DQN)[37]、记忆型深度Q网络(MDQN)[38]、启发式反馈记忆型深度Q网络(HFMDQN)[39]、深度Q网络(DQN)与经验回放机制(EPM)[40]，启动动态交互的环境感知，通过高维分布式深度探索方法，产生并优化多样化推荐策略。
3 .2 情报服务模式
本节根据Yovits通用情报系统模型[41]，分析基于人工智能技术的情报服务模式。该模式自上而下主要由情报服务层、情报“大脑”层、数据资源层、基础设施层组成，如图3所示。情报服务层实现对情报需求、环境、用户反馈信息的智能感知。情报“大脑”层接收来自情报服务层的情报需求、用户反馈，实现海量信息的智能获取，多模异构信息的动态融合、多维关联、智能化分析与决策支持，提供面向问题的适时情报服务。数据资源层是为情报“大脑”层提供资源保障与决策依据的物质基础。基础设施层为情报服务模式提供软硬件平台支撑。
图3 基于人工智能技术的情报服务模式
1)情报服务层实现对情报需求、用户环境、用户反馈的智能感知，为情报“大脑”层提供用户需求与反馈信息。情报服务层中的用户主体是情报服务的对象与数据来源之一，用户通过图文检索、语音视频、智能问答等方式，向情报“大脑”层提出情报服务请求。情报“大脑”层通过决策支持对情报服务做出多元化、个性化响应。验证和评估主要负责监控情报服务流程，评估特定的执行阶段，并将服务的结果或质量反馈给情报“大脑”层。该层主要使用了智能体、人机交互、可视化等相关人工智能技术。
智能体通过摄像、监控等手段，实时采集用户画像与环境信息。情报服务层利用智能体登记用户角色，实现对用户所处整体环境的全面检测、分析与掌握，即时辨识用户的潜在需求；并更新数据资源层中的用户信息库、情境信息库及反馈上下文信息。智能体为情报“大脑”层提供实时性情境信息。情报“大脑”层即时变更服务方式、更新服务内容，为情报服务层提供适时性的情报服务。
情报服务层采用自然多模态人机交互，即基于语音、视觉、触觉、体感等具有感知和推理能力的交互方式；以认知理论为基础，利用机器学习、模式识别、计算机视觉等技术设计用户模型和界面模型，并能做到对情报专业领域知识和泛在知识的深度挖掘；同时，能即时接收用户的反馈信息。
可视化技术采用具有吸引力和沉浸式的VR/AR/MR交互体验设备，将大规模信息及其复杂内容通过图像、视频、精简文本等视觉方式展现，便于用户发现信息间潜在的模式或隐含的要素和价值。
唐玉烟惊骇程度更胜青辰。她从来没有见过这样壮硕的鹰，更没有如此近距离地感受过鹰的威胁，只觉被那双黄眼一瞪，魂儿都飞到了天外。她不敢耽搁，双足蹬踏岩壁，拽着绳索将身子摆荡而起，然后跳入了洞中。
自然语言处理技术，突破了短文本计算与分析功能，实现了多语种、跨语言文本挖掘技术与赋能机器的语义理解技术。它是实现多媒体信息理解、机器认知、人机对话系统的基础性理论技术。模式识别以自然语言理解、统计理论、视觉计算为基础，从多个维度解读目标信息，实现不同模态目标的表示、判别、提取、分类、解释等功能；主要包括自动语音识别、视觉搜索与图像识别、文图音转换识别等内容。情报“大脑”层利用自然语言处理、模式识别技术打破数据藩篱，推动多领域数据的融合碰撞，实现线上线下模式的信息持续增量自动化获取、多模态知识的主动感知与发现、协同与共享，情报的自动获取与生成、评估与演化。
2)情报“大脑”层是人工智能技术与情报工作的融合，是情报服务模式的核心与动力。情报“大脑”层面对动态情境问题，快速有效地整合多模态信息与知识，即时更新服务的内容和方式。情报“大脑”层根据情报服务层所传递的用户与环境信息，分析用户类型，调取用户静态属性信息，检测用户动态信息，从用户信息库中提取用户的兴趣偏好，从已知需求类型、主题和情境三个维度出发，充分收集、过滤、搜索并主动推送多模态知识库中的相关信息，实现对用户请求的理解与应答。此外，情报“大脑”层还会主动记录用户主体的日常数据并构建其所属的社会网络，探索用户的属性或潜在需求，为用户制定专属的决策推荐。情报“大脑”层根据问题情境，主动使用多维语义关联方法和动态语义集成方法，实现对海量多模态数据的关联映射、交叉对比与智能匹配，自动计算分析其中的情报价值，并提供面向具体问题情境的前瞻性或适时性决策方案。该层主要使用了自然语言处理、模式识别、多模态数据智能分析技术、跨媒体感知计算理论、高级机器学习等人工智能相关技术或理论。
多模态数据智能分析技术利用无监督学习、语义解析、深度推理等技术实现对多模态数据的理解与认知，构建以自然语言理解为核心、以多模态数据为驱动、以深度语义推理为目的的智能计算分析模型。跨媒体感知计算理论主要是模拟人对复杂场景、听觉、视觉、话语等方面的主动学习的感知，利用传感器等技术实现对高动态、高纬度、多模式、分布式大场景的超人感知。高级机器学习模拟人的自适应、自主学习的能力，主要通过深度强化学习实现情境理解与决策学习、直觉推理与因果建模。
情报“大脑”层借助多模态数据智能分析技术实现从多模态数据到多模态知识到多模态决策的智能情报服务。利用跨媒体感知计算理论实时捕捉用户、情境信息并对其进行认知建模。利用高级机器学习理论实现知识的自组织；提供高品质适时性情报服务。
近年来，国内外图情领域学者对人工智能做了相关研究，主要涉及的领域为：例证分析[3-4]、理论应用[5-7]、图书馆[8-11]、知识管理[12-15]4个方面。国内在情报分析领域[16-17]、国外在引进新理论或对算法方法改进[18-20]也做了相关研究，如表2所示。
4)基础设施层为情报服务模式提供了物理层平台保证，是各种智能软硬件与功能平台的集成体。基础设施层采用智能芯片与分布式数据库作为信息资源的存储硬件，提升多模态数据资源的存储与处理性能。基础设施层支持知识推理、大数据智能计算、新型复杂计算等计算框架，主要包括开源软硬件智能基础平台、智能服务众创平台、自主感知协同支撑平台、基础数据与安全监测平台。这些平台的泛在性和可扩展性强，支持各类新型软件、技术的开源开放和拓展延伸。
积极发动群众，对安全施药技术进行集中培训学习，掌握病虫害发生规律，在关键时期及时施药，有效减少农药施药次数，杜绝重复施药及乱施药现象，并做好对农药包装袋的统一回收工作，在每个乡镇办事处的作物集中区通过设立农药使用宣传专栏及设立农用物资垃圾回收箱、垃圾池等方式，减少本区农药施用总量，使本区农业向生态、无公害、环保的方向健康发展。在新农药的筛选方面，通过田间药效试验，针对本区病虫害发生种类筛选出高效、低毒、低残留农药，并搞好宣传指导工作，使农户掌握合理的施药技术，降低农残及农药施用量。
智能芯片的核心就是在传统CPU/GPU/NPU/FPGA的基础之上，加入嵌入式神经网络处理器，提高对多模态信息资源的计算和处理性能。分布式数据库满足了多模态知识库等大型智能应用对容量和性能方面的硬性要求，实现了大规模数据、信息的云存储和云搜索。
开源软硬件智能基础平台支持超大性能硬件的分布式调度与使用、支持海量训练数据的存储和采样、支持异构实时计算引擎和新型复杂计算、支持自动模型超参数优化，使算力、数据和算法三者达到均衡、探索与利用达到均衡。智能服务众创平台支持互联网、移动端等线上线下大规模多模态信息资源的共建共享，破除既有体制机制障碍，形成产学研用的互惠协作式多学科跨媒体交流平台，提供众创服务环境和群智开放的社交环境。自主感知协同支撑平台支持对复杂环境的自主感知、对新型技术的兼容与协同控制。基础数据与安全监控平台支持大规模多模态数据资源库、测试集与云服务，检测管控不安全因素的干扰与入侵。上述平台的统一与协作，保证了服务模式的安全性、灵活性和高效性。
孩子在洗澡后或起床时摸生殖器，父母完全可以视而不见，但要告诉孩子，生殖器是隐私部位，不可以在公众场合摸，同时给孩子穿上闭裆裤以减少这样的行为。父母完全可以跟4岁内的孩子一起洗澡，帮助孩子认识女性和男性的身体特征。
建立以情报工作为中心，以数据为驱动，以人工智能技术为助力，以创新型应用场景为策略的新型情报工作体系(见图4)，保障情报服务工作的客观性和科学性，提高情报服务工作的精准性和智能性，适时满足用户的多元化和个性化需求。
综上所述，基于人工智能技术的情报服务模式具有友好交互性、智能性和精准专业性，打造了良好智能的用户体验。基于人工智能技术的情报服务模式实时地捕捉用户画像、周围环境等情境信息“走进”现实世界，与用户无障碍“交流”，实现需求与服务的无缝衔接；在复杂动态的环境中，针对具体问题情境自动地从大规模海量信息中识别、提取相关信息，实现多模异构信息的多维关联、解析、重组和分析，并综合情境信息、用户信息、多模态领域知识库、反馈上下文等数据，实时提供高品质专业性多模态情报服务。
情报工作的发展首先会在信息加工与分析阶段不断融入智能技术以实现高度自动化与智能化，如图2所示。首先，从网络、传感器、专家等各种源渠道采集信息；其次，对多模态信息进行组织和存储，建立数据仓库，包括数据库、方法库、模型库与案例库；再次，对目标信息进行分析，动态多维地计算数据仓库中的资源，对多模态数据进行交叉映射与关联匹配；最后，提供多模态决策支持。
4 人工智能与情报工作的融合发展
人工智能应用于情报工作的目的是提高情报工作的效率、智能性和灵活性。本节从新型情报工作体系的构建、人工智能与情报工作的分层融合两方面阐述人工智能与情报工作的融合发展。
4 .1 新型情报工作体系
那天清晨洗脸的时候，他蓦然发觉原来那女子的低语就是水被撩起来又落回水里去的声音。难怪那样纯净呢。还有那支曲子，也是水的声音。
图4 新型情报工作体系
新型情报工作体系需要满足如下条件：
勘查区内人类工程活动对滑坡体影响较大，主要为坡体前缘人工切坡修建房屋，形成了局部的临空面，楼高6～8层，滑坡后缘为五星学校的工程施工场地，地表标高151～152 m，滑坡体上及两侧种植了橘子树。人类工程活动过程中形成不少陡坎，对山坡地貌有所改变。
工作队在入户走访时发现，一些落后的风俗习惯是曼来村部分佤族村民致贫的重要原因。例如，一些佤族村民下田干活，上山砍柴，出门打工都要“算日子”（即通过占卜选时间），但往往“日子对了，机会也没了”，既没有庄稼收成，也错过打工的机会。有的村民生病不看医生，而是按旧俗“杀鸡驱鬼”，杀一只鸡病不好就杀两只，还是不好就杀猪，往往病没好，好不容易养大的家禽家畜却都杀光了。
1)保证数据的可持续性、足够覆盖性和细粒度性。随着时间的发展、应用情境的变更，实时感知数据的变化，对数据进行可持续的积累、补充和调整。这样，一方面可以总结梳理各个时间段的情报工作；另一方面也可以为人工智能等新型技术在情报工作中的开展提供数据素材和训练保障，同时这也是信息分析与情报决策的物质基础。数据应该全面，尽可能全面覆盖领域中的知识；数据类型应该多样化，用数据的多源性减少信息的不确定性。尽可能存储细粒度数据，确保数据的真实性、规范性、完整性，充分发挥数据仓库的价值与效能。
2)为情报工作服务的人工智能技术必须满足可行性与成本效益的均衡性。保证人工智能技术服务于情报工作的前提条件是技术可以落地实行，保证该项技术的实施可以使情报相关工作更加简化与便捷；同时，还要保证投入成本与产出效益的均衡。
何品刚(1956-)，男，教授，博士，主要研究方向为电化学传感器。E-mail：pghe@chem.ecnu.edu.cn
3)人工智能技术在情报工作中的应用场景要有适用性与创新性，面对不同的应用场景，应选择适合该场景的人工智能技术、软硬件，革新工作方式，使情报工作更加简洁、清晰、严谨、智能。
采用Minitab 17软件对数据统计分析,并对表2数据进行多元回归拟合,得到多酚提取率与磷酸氢二钾、乙醇和超声时间的二次多项回归模型
4 .2 人工智能与情报工作的融合
人工智能的核心体现在数据资源、算法算力、应用产品三大层次。而情报工作是以工作内容与服务质量为载体，运用情报工作人员的工作理念与创意，满足用户的高层次需求；其核心体现在工作内容、工作创意、服务方式三大层次。人工智能与情报工作融合发展的关键在于数据资源与工作内容的融合、算法算力与工作创意的组合、应用产品与服务方式的结合，如图5所示。
图5 融合层次图
首先，数据资源与工作内容是基础。将情报工作内容数据化，增加数据积累，工作过程结构化、流程化，为人工智能的使用创造条件。例如，运用精细埋点法捕获测量用户的兴趣、行为、目标、情感等主观指标，利用人工智能技术基于这些精细指标数据对决策进行优化。
其次，算法算力与工作创意的组合是关键；其实质是技术科学和人类思维的碰撞。一方面，积极选择、改进或创新适合情报工作各工作阶段的专用或通用算法；提高设备的计算能力；利用人工智能算法算力处理人类无法应对的海量多模态数据和无法厘清的想法创意。另一方面，在工作内容数据化、规范化的基础上，训练人工智能相关算法，激发算法算力的创造力与活力。将人类工作理念与内容形式化，不断完善知识库与方法库等数据资源。
值得一提的是，这些多民族社区中的佛寺，除了有佛教早晚课、念经等活动外，还是年度性民俗活动或地方祭祀活动的重要场所。比如，龙泉寺所在的社区有彝族、汉族，每年会举行祭龙活动，布依族群众会在他们社区的小庙举行地母会。对此，祝国寺从不干涉。素祥法师说，“这些是传统习俗，我们又是外行了。”
最后，应用产品与服务方式的结合是策略。以服务方式、工作场景为核心，配套应用产品，实现服务方式的全方位便捷化和智能化。例如，增设便携式移动机器人助理，可以使用户获得情报服务时，不受时间空间的限制等。
人工智能与情报工作各个环节的创造性融合，推动了情报工作的流程再造、结构重组和服务重构。同时，情报工作也对人工智能的拓展应用提出了算法算力和产品创新等硬性要求。两者协同联动，融合发展。
5 结束语
人工智能技术对情报工作服务模式和情报工作各个阶段均产生了巨大变革。这种变革意味着，无论是在对情报工作服务模式的研究还是在情报工作的具体实践中，都应该加大对人工智能技术的关注和应用。
本文针对人工智能技术在情报工作中的应用，研究了基于人工智能技术的情报服务模式。通过在情报服务层、情报“大脑”层、数据资源层和基础设施层中，分别嵌入人工智能相关理论和技术，分析了从信息采集到分析到情报服务的全链条情报服务模式，推动了人工智能技术与情报服务工作的融合应用和协同发展。随着人工智能技术的成熟，基于人工智能的情报服务模式也会愈发成熟，得到科研界与产业界的认可和应用。
参考文献
[1] 丁世飞.人工智能[M].2版.北京:清华大学出版社,2015:1-10.
[2] 马费成.推进大数据、人工智能等信息技术与人文社会科学研究深度融合[J].评价与管理,2018,16(2):1-5.
[3] 刘自强,许海云,岳丽欣,等.面向研究前沿预测的主题扩散演化滞后效应研究[J].情报学报,2018,37(10):979-988.
[4] ALEDO J A,GAMEZ J A,MOLINA D,et al.Consensus-based journal rankings:A complementary tool for bibliometric evaluation[J].Journal of the Association for Information Science and Technology,2018,69(7):936-948.
[5] HASSAN S U,IMRAN M,IQBAL S,et al.Deep context of citations using machine-learning models in scholarly full-text articles[J].Scientometrics,2018,117(3):1645-1662.
[6] 何跃,肖敏,张月.结合话题相关性的热点话题情感倾向研究[J].数据分析与知识发现,2017,1(3):46-53.
[7] SUBRAMANIYASWAMY V,LOGESH R,ABEJITH M,et al.Sentiment analysis of tweets for estimating criticality and security of events[J].Journal of Organizational and End User Computing,2017,29(4):51-71.
[8] 陆婷婷.从智慧图书馆到智能图书馆:人工智能时代图书馆发展的转向[J].图书与情报,2017(3):98-101,140.
[9] MASSIS B.Artificial intelligence arrives in the library[J].Information and Learning Science,2018,119(7/8):456-459.
[10] 傅平,邹小筑,吴丹,等.回顾与展望:人工智能在图书馆的应用[J].图书情报知识,2018(2):50-60.
[11] 秦鸿,李泰峰,郭亨艺,等.人脸识别技术在图书馆的应用研究[J].大学图书馆学报,2018,36(6):49-54.
[12] 刘寅斌,胡亚萍.从谷歌大脑看人工智能在知识服务上的应用[J].图书与情报,2017 (6):112-116.
[13] 唐晓波,李新星.基于人工智能的知识服务研究[J].图书馆学研究,2017(13):26-31.
[14] MACFARLANE A.Knowledge organization and its role in multimedia information retrieval[J].Knowledge Organization,2016,43(3):180-192.
[15] WEBER R O.Objectivistic knowledge artifacts[J].Data Technologies and Applications,2018,52(1):105-129.
[16] 化柏林,李广建.智能情报分析系统的架构设计与关键技术研究[J].图书与情报,2017 (6):74-83.
[17] 叶鹏飞,王伟,真溱,等.情报分析中使用机器人(上)[J].情报理论与实践,2017,40(9):145.
[18] DOUMBOUYA M B,KAMSU-FOGUEM B,KENFACK H.Argumentation and graph properties[J].Information Processing & Management,2016,52(2):319-325.
[19] SHAIKH T A,ALI R.Quantum computing in big data analytics:a survey[M].New York:IEEE,2016:112-115.
[20] EJEI F,BEHESHTI M S H,RAJABI T,et al.Enriching semantic relations of basic sciences ontology[J].Knowledge Organization,2017,44(5):318-325.
[21] 王忠军,于伟,杨晴.科技情报机构实践创新发展专家访谈[J].情报理论与实践,2017,40(12):145.
[22] 蒋焕剑.基于深度学习的属性抽取技术研究[D].杭州:浙江大学,2017.
[23] 郭利敏.基于卷积神经网络的文献自动分类研究[J].图书与情报,2017(6):96-103.
[24] SIGTIA S,DIXON S.Improved music feature learning with deep neural networks[C].IEEE International Conference on Acoustics,Speech and Signal Processing.IEEE.Italy-Florence,2014:6959-6963.
[25] LIN Zhouhan,FENG Minwei,et al.A structured self-attentive sentence embedding[EB/OL].[2017-03-09].http://cn.arxiv.org/abs/1703.03130.
[26] LIN K,WANG S,ZHOU J.Collaborative deep reinforcement Learning[EB/OL].[2017-02-19].http://cn.arxiv.org/abs/1702.05796.
[27] TEH Y W,BAPST V,CZARNECKI W M,et al.Distral:robust multitask reinforcement learning[EB/OL].[2017-07-13].https://arxiv.org/abs/1707.04175.
[28] HE X.Deep semantic learning:Teach machines to understand text,image,and knowledge graph[C].Computer Vision and Pattern Recognition.CVRP.Boston-Massachusetts,2015:1-92.
[29] LIU Q,HUANG Z.Finding similar exam questions in online education systems[C].ACM SIGKDD.KDD.UK-London,2018:1821-1830.
[30] 赵天坤.基于深度神经网络的音乐信息检索[D].北京:北京邮电大学,2015.
[31] SU R,WANG L,LIU X.Multimodal learning using 3D audio-visual data for audio-visual speech recognition[C].2017 International Conference on Asian Language Processing (IALP).IEEE.Singapore-Singapore,2018:40-43.
[32] DAI H,WANG Y,TRIVEDI R,et al.Recurrent coevolutionary feature embedding processes for recommendation[EB/OL].[2017-02-28].http://cn.arxiv.org/abs/1609.03675v2.
[33] LEI C,LIU D,LI W,ET al.Comparative deep learning of hybrid representations for image recommendations[C].Computer Vision and Pattern Recognition.CVPR.USA-Las Vegas,2016:2545-2553.
[34] WANG S,WANG Y,TANG J,et al.What your images reveal:exploiting visual contents for point-of-interest recommendation[C]//Proceedings of the 26th International Conference on World Wide Web.WWW’17.Australia-Perth,2017:391-400.
[35] SCHULMAN J,LEVINE S,MORITZ P,et al.Trust region policy optimization[J].Computer Science,2015:1889-1897.
[36] MNIH V,BADIA A P,MIRZA M,et al.Asynchronous methods for deep reinforcement learning[C].International Conference on Machine Learning.ICML.USA-New York,2016:1928-1937.
[37] CHEN G,PENG Y,ZHANG M.Effective exploration for deep reinforcement learning via bootstrapped q-ensembles under Tsallis entropy regularization[EB/OL].[2018-09-15].http://cn.arxiv.org/abs/1809.00403.
[38] OH J,CHOCKALINGAM V,SINGH S,et al.Control of memory,active perception,and action in mine craft[C]//Proceedings of the 33rd International Conference on Machine Learning.ICML.USA-New York,2016:2790-2799.
[39] KULKARNI T D,NARASIMHAN K R,SAEEDI A,et al.Hierarchical deep reinforcement learning:integrating temporal abstraction and intrinsic motivation[EB/OL].[2016-05-31].http://cn.arxiv.org/abs/1604.06057.
[40] HORGAN D,QUAN J,BUDDEN D,et al.Distributed prioritized experience replay[EB/OL].[2018-03-02].https://arxiv.org/pdf/1803.00933.pdf0
[41] YOVITS M C,KLEYLE R M.The average decision maker and its properties utilizing the generalized information system model[J].Journal of the American Society for Information Science,1993,44(6):352-363.
Research on Application of Artificial Intelligence in Information Work
Abstract : The rapid development and wide application of Artificial Intelligence technology have injected new impetus into information work.Firstly,this paper outlines Artificial Intelligence and summarizes current research status.Secondly,by discussing the influence of Artificial Intelligence on the workflow of information work,this paper analyses a model of information service based on Artificial Intelligence technology,and probes into a full-chain chain information model from information collection to service.Finally,a new information system is constructed.From the core level of Artificial Intelligence and information work,the synergistic development of Artificial Intelligence and information work are discussed.The paper provides a certain reference value for new intelligent technology landing in information work in future.
Keywords : artificial intelligence;information work;information service;service model;synergetic development
DOI: 10.16353/j.cnki.1000-7490.2019.11.005
* 本文为国家社会科学基金重大项目“图书、博物、档案数字化服务融合研究”的后续研究成果之一，项目编号：10&ZD134。
作者简介： 冯秋燕 ，女，1988年生，博士生。研究方向：机器学习，信息管理。朱学芳 (通讯作者)，男，1962年生，博士生导师。研究方向：模式识别，人工智能，信息管理。
录用日期： 2019-05-27
标签：人工智能论文; 情报工作论文; 情报服务论文; 服务模式论文; 融合发展论文; 南京大学信息管理学院多媒体信息研究所论文;