基于BP神经网络的人工智能对数字出版新业态的影响
吴丹1，赵江2,3
（1.浙江理工大学科技与艺术学院，浙江 上虞；2.浙江财经大学 工商管理学院，浙江 杭州；3.复旦大学 管理学院，上海）
摘 要： 通过构建BP神经网络数学模型可知，人工智能通过读取海量的信号“大数据”，并从中自我学习，通过调节学习率而降低信号传导误差，这为人工智能时代的数字出版奠定了理论基础。在数字出版过程中，人工智能经由BP神经网络隐含层加强数字内容物的存储、加工、处理，再通过有效数据挖掘和信息获取提高数据采集的效率，并通过评论环节的智能处理，快速完成数字出版内容的评估工作，不断加强信号的精准性，真实地反映输出层的信息传播，构建起知识服务的新业态。
关键词： BP神经网络模型；人工智能；数字出版；新业态
一 前言
近年来，随着网络通讯技术的发展和云计算、神经网络技术、深度学习等新兴技术的显著提高，极大地推动了人工智能（Artificial Intelligence）的快速发展。人工智能是计算机学科的一个重要分支，最早由McCarthy在1956年Dartmouth学会提出[1]。一般认为“人工智能”是一门运用计算机模拟和延伸功能的综合性科学，通过深度学习、推理判断等来解决具体问题，利用人工神经网络模拟人的大脑思考和学习功能。通过这种与人类智能相似的方式做出反应的智能技术，人们对信息获取和接受的方式也发生着改变，这对以知识传播、获取为根本目的的出版行业产生了重大的冲击。媒体和人工智能的融合越来越显著，传统出版行业向数字出版转型已成为不可逆转的业态趋势。
认领分为任意认领和强制认领。与强制认领相比，任意认领具有简捷、便宜的优势⑨，因此应该得到建立。同时，尽管非婚生子女提起强制认领之诉可能违反生父的意思，但是为了维护各种正当权益，其也应得到建立。而且，“对于自己系非婚生子女，子女是没有责任的。因此，子女虽然已经找到父亲但是父亲拒绝父子关系的产生，大概是过分缺乏责任心”⑩。很显然，强制认领在道义上也是成立的。
人工神经网络（artificial neural network）是模拟人脑的神经网络结构并进行理论抽象、简化和模拟而构成的复杂信息系统，具有非线性映射和自适应学习等特征[2]。同时，它是一种超大规模的连续时间的动力系统，具有高维性、非平衡性、自适应性等特点。1986年，BP（Back Propagation）神经网络是由Rumelhart，McClelland基于误差反向传播算法所提出的多层前向网络，是通过Sigmoid可微函数实现信息输入、输出的一种非线性映射[3]（图1），也是目前应用最为广泛的神经网络模型之一。BP神经网络的基本原理在于通过输入-输出模式映射将学习和反馈相联系，通过某些规则如最速下降法进行学习，并通过反向传播不断调整该网络的阈值和权重，最终使得网络的误差平方和最小。张素芹[4]针对传统BP神经网络在未知环境下机器人路径规划和避障算法中存在的权值调节收敛速度慢、易陷入局部极小值、网络结构不稳定的问题，基于权值调节收敛速度和学习率之间的关系，通过具体的调节因子对BP神经网络进行改进，以实现智能壁障控制。BP神经网络具有可靠的算法依据，其推导过程较为严格，由于使用了最速下降策略，其精度很高，广泛应用于函数逼近、模式识别/分类、数据压缩等，并且能用于大多数学习状况，其泛化能力较好。
二 神经网络算法原理
BP神经网络具备良好的非线性逼近能力，在模式识别方面具备良好的多层感知能力。BP神经网络的主要拓扑结构由一个输入层、多个隐含层、一个输出层组成，每层的节点数目可以根据具体实际应用来确定。输入层每个节点用xi(i=1,2,…n)表示；隐含层的每个节点用yi(i=1,2,…n)表示；输出层用W1…Wk…W1表示，终端用 O1…Ok…O1表示。BP神经网络主要是根据采样数据集对网络进行相应的训练，然后通过不同层之间大的连接权值矩阵进行调节和反馈。“层-层”通过节点间的信号传输相联系，每一个节点的信号输出数值通过输入数值、作用函数等确定，信号的传导包含正向信息传播和误差逆向反馈传播过程：信号通过输入层不同节点经过隐含层传导到输出层。而信号到达输出层后会和期望值相比较，如果存在一定的误差，则将信号沿BP神经网络逆向传播并予以矫正，直到网络输出层的权重值为0（图1）。
（一） 神经网络的前向输入模型
假设神经网络输出层神经元u的输入为Wu，(u ∈ 1,2,…n)输出为 yμ(u ∈ 1,2,…n)，输出层中每个神经元的输入值是隐含层中每一个神经元的输出与连接权值之后的求和后的乘积[5-7]。其中，wui为输出层神经元μ和隐含层神经元i间的连接权值，wiv是隐含层神经元i和输入层神经元v之间的连接权值。
其中，f(Wu)是神经元u的激活函数，该激活函数和输入效率密切相关。
针对神经网络的隐含层，构建如下信号模型：
为此，本文要解决的两个关键性问题：其一，在数字出版的不同环节，人工智能的具体作用究竟是什么？利用人工智能进行数据的筛选和处理与BP神经网络的信号传递究竟有何关系？
其中，Vu是神经元u的阈值；ks是控制函数Sigmoid 的斜率 [5]。
图1 BP 神经网络的信号传输层级结构
（二） 神经网络信号误差的反向传播模型
根据公告的解释，此次出售的目的是“提升公司利润水平，加快资金回笼。”。而事后在媒体追问中，公司又解释“这只是公司正常的销售行为”。
传统的新闻内容从编辑到生产再到出版，需要从业者实地进行信息的搜集和整理，并通过主观能动性甄别信息的传播价值和真伪。而在数字出版时代，数据是数字出版的基础。根据BP神经网络模型，人工智能可以快速分析输入层的内容特征词，将不同内容进行分类信号输入，及时发现节点中可能存在的新闻线索，并且由于人工智能在进行节点分析时，能通过输出层到输入层的信息反馈进行自我学习不断地纠错。因此，相比传统的出版模式，人工智能可以抛弃个人的偏好，对网络热门事件、热点词汇的传播频率和热度等进行大规模数据获取并做出智能分析，结合读者需求生成相关新闻图谱，从而更加客观地反映新闻全貌。其次，人工智能技术可以快速自我学习，他们能够分析以往信息采集过程中的问题，信息中的“热点”，从而使筛选过的内容点击量要远高于人为的数据采集，最终为用户提供个性化推荐和服务解决方案。例如，《纽约时报》数字部门开发了机器人编辑Blossomblot，每天推出300篇文章，经过Blossomblot筛选后推荐的文章平均阅读量是普通文章的38倍[11]。2017年Automated Insights 的写作软件写了超过150亿篇文章，堪称世界上最大的内容生产者。
BP神经网络的隐含层神经元n的输出信号为yni，其中，θ为学习率；Δkwui是修正权重值；εiu是学习规则中神经元u的误差值。则BP神经网络输出层神经元u和隐含层神经元的权值修正模型可以定义为：
刁德恒吓得面如色土，哭着求饶：“太君饶命，饶命啊太君！我保证以后把百里香当爹当爷当菩萨，决不碰他一根汗毛！饶命啊太君！”
可见，根据上述BP神经网络数学模型[5-7]：一方面，人工智能利用BP神经网络的非线性网络结构快速读取海量数据，并根据相关数据进行自动调整，有效地将准确信号从输入层传导至输出层；另一方面，人工智能可以经过反复自我学习对信号传导能力予以提高，根据相关Sigmoid算法进行必要的信号传导的反复校正，经过多次循环校正，减少期望的传导误差，从而不断加强信号传导的精准性，真实反映出BP神经网络中从“输入层-输出层”的全部信息传播过程。出版相关内容的前提是对有价值的选题内容进行判断，筛选出符合出版要求的题材、形式并进行出版和传播。在数字出版活动中，首先就包含了出版选题、素材整理、内容整合、文章撰写、内容校对等出版前期活动。出版时的若干选题则是任意的信号输入过程，而利用人工智能技术，可以通过有效的机器学习和数据挖掘等技术，从BP神经网络输出层逆向分析其隐含层和输入层相关信息，筛选出符合市场效益、符合栏目内容的相关出版选题信息。同时，通过反复调整相关内容，加快自我学习的频率和效率，最终提高编辑出版的质量。可见，基于BP神经网络的数字信号传导为人工智能环境下的数字出版奠定了理论基础。
三 基于BP神经网络的数字出版内涵及其新业态发展
数字出版是建立在网络通讯技术、数字存储、流媒体技术等基础上融合并超越传统出版内容的新兴出版产业[8]。其本质是在出版过程中，将传输信息以二进制代码进行数字化内容的创作和加工，数字化的生产和运作、传播载体的数字化以及学习形态的数字化等。相比传统出版模式，数字出版具有成本低廉、编辑便捷、存储和查询便利等优势。中国的出版行业正处于行业变革的关键时期，目前的数字出版模式多达几十种：如电子书、数字图书馆、数字期刊、在线工具书、网络教育出版物、手机书、文献数据库等新业态。围绕相关的数字出版形成了集信息内容输入、管理、存储、输出的全产业链覆盖[9]。报告显示，截至2016年年底，国内数字出版产业累计用户有16.73亿人，2016年产业整体收入5720.85亿元，比2015年增长29.9%，呈现持续增长态势，预计2017年产业整体收入突破7000亿元[10]。可见，数字出版产业链主要包括：著作权人-内容提供物-数字出版商-技术提供者-网络运营传播者-终端设备提供者-网络传播者-读者。在这一出版产业链中，内容提供物是数字出版的前提和基础。因此，需要对数字出版内容进行存储、整合、优化、输出等工作。
根据该数学模型可知，当BP神经网络的信号传导学习率保持不变时，将无法适应学习过程中所面临的复杂外环境变化。而过高的学习率也将使系统趋于不稳定。然而，在人工智能条件下，学习率可以随机调节，从而保证误差值趋向于最低值，防止系统传输的不稳定，从而改善学习效果，加快学习的全部过程。这一学习过程集中体现在信号的全部传输环节。而人工智能的最大特点是依据通用的学习策略，有效读取海量的信号“大数据”，从中自我学习并进行有效决策。即人工智能有效地运用了信号传导的全过程，特别是通过信号从输出层到输入层的逆向反馈，根据反馈信号不断发现传导信息的误差，再及时通过输入层予以校正，经过若干次“输入-隐含-输出-隐含-输入”的信号反复循环，信号从不同层之间传播所引起的传输误差Δk越来越小，最终达到符合输出的期望值。
在人工智能技术的支持下，机器可以自由识别多来源、多媒体的数据资源，并能将这些资源进行跨媒体的语义转化，大大提高了数据资源和媒介资源的整合效率。因此，人工智能技术加快了数字出版内容从输入层的信号整合到输出层的信号输出过程，并通过BP神经网络进行数字出版信号的反馈，及时调整数字信息以达到信息传播的期望值。出版行业一直强调内容为核心，从传统出版到数字出版，出版行业从内容到阅读再反馈内容的循环模式并没有发生质的变革[7]。而在数字出版产业链中，数字出版内容提供商可以将更多的专、精、特的优质内容进行定制化传播和推广，使得内容的更新速度、反馈效率极大提高：首先，通过数字化技术将出版资源有效处理并进行深度加工。具体包括利用数字技术建立专业的数据库、构建图书信息标引、整理图表插图等。其次，对数字内容资源进行增值化服务，其核心在于使传统的出版社由内容提供商转变为内容资源服务商，通过技术创新推动出版业态的可持续发展。
根据神经信号传导模型，BP神经网络在信号传输中，会根据传输的误差进行反向传播，其目的在于修正连接权值wui和wiv并使误差达到最小化。因此，连接的信号权值需要从信号减少输出层的误差方向进行相应的反馈调节。
利用Sigmoid函数作为神经元的激活函数，则输出层的激活函数可以定义为：
四 人工智能在数字出版全过程中的作用
数字出版采用了大量先进的人工智能技术和数据管理技术，从新闻获取到内容编辑再到文本评价环节，人工智能对数字出版的每一个具体环节都起着变革性作用：首先，利用BP人工神经网络，人工智能可以迅速分析内容资源的大数据，在网络输入层的不同节点xi快速进行相应的文本挖掘和内容挖掘，最快的发现各个节点xi可能存在的新闻线索，并通过智能分析系统对新闻线索进行有效地筛选，采集有效的信息进行数据分析，便于对数字出版的内容有效整合。
BP神经网络的信号传输可以分为“正向传输”和“逆向传输”。正向传输保证信号从输入层传播到隐含层，经过隐含层单元处理后传播给输出层；而逆向过程则将输出层的误差值沿着网络的连接通路逐层反向传递并修正各层连接权值。其中，正向传输过程与数字出版从信息获取到文本分析、编码再到评估出版过程相一致；而逆向过程则反映了基于人工智能的数字出版信息反馈过程和自我学习过程。即BP神经网络信号传输与数字出版的每一个环节都密切相关。
其次，在文本协作阶段，利用人工智能技术，深度挖掘并分析隐含层中的出版内容及其传播路径，通过关联分析快速提取核心观点，准确预测事件的发展趋势和舆论的情感导向，并将具体的新闻事件转化为文本信息，分别存储在不同的节点yi，并将信息传递至隐含层中的编辑层。再次，在文字的编辑传输阶段，可以利用数字编码技术将文本语言、多媒体等进行有效的数字编码，并通过隐含层的“深度学习”进行线下的出版分析和有效利用数字媒介资源进行传播。此外，由于BP神经网络拥有多个隐含层，在隐含层进行数据传播过程中，通过大数据维度筛选和精准定位实现关联分析，有效识别不同读者的行为偏好，以便预测目标客户和针对目标读者群进行数字出版传播活动。
最后，利用目标读者群的评论环节（Wl），快速分析阅读者对出版作品的不同感受，并作具体的评估、反馈工作。根据这一过程，本研究提出如下的基于人工智能的数字出版全过程的框架图（图2）。
根据图2可以看出，新闻线索经由数据分析、深度挖掘、数字编码、深度学习、关联分析，最后到评估出版的全过程，人工智能技术以提升读者群的价值作为驱动目标，在每个环节都可以进行自我学习，并且将信息进行反馈，从而对新闻出版的内容生产、文本编辑以及出版模式等环节带来全方位变革。
图2 基于人工智能的数字出版全过程框架图
五 BP神经网络信号传输与数字出版的关系
最后，构建事后控制机制。在财务内控管理的事后控制环节中，对于经费的使用所产生的效益进行评价是一项重要内容。这种评价是对于投入和产出之间的关系进行的考察，它对于确保企业的资源利用效率和效果的提高具有重要的意义，同时也符合实现企业价值最大化的目标要求。
鉴别诊断主要是周围性性早熟，主要有：1）单纯性乳房早发育；2）先天性肾上腺皮质增生症、Mc－Cune－Albright综合征等；3）先天性甲状腺功能减低症伴发的性早熟。这些疾病过程中也要注意监测发展成CPP。
（一） 以数据挖掘和信息获取提高数据采集的效率
假设BP神经网络在输入模式xn(n为输入的神经元节点数目)的信号传导作用下，如果输出层的第k个神经元期望输出值是enk，则该神经元经过信号调节，其实际输出值是ynk，则神经网络输出层的实际输出和理论输出的方差En为：
（二） 以智能分析和情感导向探究具体事件传播路径
由于人工智能对数据处理的能力很强，在具体写作时能够快速进行文字编码工作，体现了较强的速度优势，人工智能对相关的出版作品完成信息采集后，就可以开始内容的个性化定制。在BP神经网络模型环境下，从输入层获得的文本信息需要根据文法和语义的差异性进行有效的智能分析，以事件的情感为导向，具体分析每个节点的情感差异性，并基于数字出版的角度，快速抽提出相关的事件要素和核心观点，分析未来舆论的可能走向，再针对可能的传播路线和具体事件发展方向进行客观地分析，从而完成新闻出版的描述性展示。在此基础上，作者可以集中精力对事件进行深层次的社会思考，并依据已有的人工智能对情感诉求的挖掘，进一步探究新闻内容潜在的人文价值。例如，在里约奥运会上，《华盛顿邮报》派出了机器人团队进行赛事报道[12]。写稿机器人Heliograf从体育数据公司Stats.com和美联社获取奥运会的最新信息，并自动组成短消息作为即时新闻发布，如奥运会的积分榜、奖牌榜以及其他以数字为核心的报道。在新闻媒体领域，2017年8月8日晚，四川阿坝州九寨沟县发生7.0级地震，“中国地震台网”公众号随即发布了由机器人用时25秒自动编写的消息，这则消息共540字配发4张图片介绍了速报参数、震中地形、人口热力、周边村镇、历史地震等大众普遍关注的内容[13]。可见，人工智能有效地提高了数字出版的效率，并优化了出版的具体流程。
（三） 将多种媒介有效运用，丰富数字资源内涵
基于BP神经网络模型，从输入层到隐含层的信息传递都是非线性变换。根据网络分层结构可知，影响信号传输精度和泛化能力的参数主要包括：隐含层节点数目；隐含层节点中心；基函数宽度以及隐含层到输出层的连接权值[14]。利用人工智能可以分析大数据中的个人信息记录，充分了解消费者的相应行为偏好，通过AP聚类算法对隐含层的具体个数以及节点中心进行优化。其核心在于有效利用多种媒介：一方面根据数据分析，了解线下版权作品的提印、入库、发货、退货、结算、库存等关键核心数据，再针对数据样本的实际情况，对隐含层节点个数以及节点中心进行自适应的选取。另一方面，根据图书门户网站、社交平台、运营平台商的用户行为数据分析用户群体的实际需求，综合文字、图片、视频、音频等多种形式，将多种媒介有效运用，充分丰富数字资源的内涵，为用户提供差异化的服务，其核心是利用“数据挖掘+内容生成”模式。
（四） 根据大数据分析，加强出版业的传播力度
基于BP神经网络，数字出版需要将内容信息从隐含层向其他隐含层传播。这就需要网络上的读者共享流量和计算能力。可以利用数据关联分析，了解数字出版的读者需要和诉求，通过人工智能深度学习技术和神经网络技术，在量化分析的基础上识别预测目标客户，并将客户对数字出版的角色定位、情节切换、场景布置、最终结局等提前做出预案，以实现目标用户的精准辨识。这一过程要求信号传导的精准性，信息反馈的及时性。由于隐含层包含若干个层次，随着层次的增多，信号的传递效率下降，可能会出现信号失真等现象。故需要利用人工智能深度挖掘目标用户的消费行为和需求特点，利用BP神经网络的节点间非线性传播特征，加强数字出版的传播力度以提高信号传导的效果。
（五） 利用评论环节，快速评估出版工作
基于BP神经网络，数字出版内容最终需要从隐含层向输出层传输，并且根据输出层实际输出和期望输出的差距寻找到信号传递的误差，从而反馈到输入层，重新连接各层节点，这一反馈过程不断地循环和校正，最终实现一定的网络输出精度。即出版行业可以利用机器学习技术，大数据和算法的自我训练，提升机器学习能力，尤其是逆向的自我学习能力，不断找到相关的误差，不断提升自我能力。从出版服务属性来说，以用户为核心，根据不同用户的具体评论，实现服务和需求的智能匹配，利用有效的评论环节，深入了解用户对特定场景的熟知程度，打破知识出版单一固定模式和形态的局限。通过庞大的数据扩张和深度学习，人工智能以提升客户价值为目的，为知识服务带来了新的机遇，开辟了从新闻线索到数字内容出版的崭新出版模式。
近年来，随着中国城镇化进程的加快，水环境恶化问题日趋严重，水污染治理工作刻不容缓，国家对水环境治理工作日益重视，针对水环境治理的多项政策密集出台，凸显出政府对于治理水环境危机的重视与决心。南水北调东线工程，即国家战略东线工程，是南水北调工程东部输水大动脉，而其成功的关键是输水干线的水质。江苏省南水北调尾水导流工程的建设使得进入输水干线的污染物量得以减少。通过对南水北调尾水导流工程设施建设、运行管理情况等方面进行实地调研，发现工程存在一些实际问题。针对这些问题提出了优化方案及建议，以期为工程效益最大化的发挥提供帮助。
六 研究结论
随着新媒体传播方式的发展，数字技术在出版领域的应用更加广泛，内容编辑、制作、出版、发行、传播等各个环节都与信息技术的发展密不可分。在数字出版时代，已将传统的纸质出版转变为以智能为核心、服务为竞争力的智慧知识服务模式，数字出版模式从数据采集到出版传播每个阶段、每个环节都受到人工智能的全方位影响而呈现数字出版的新业态，即以人工智能为基础的新型数字出版模式，这需要突破图书的限制框架，对具体内容进行有效整合，创建品牌和带有纲领性的数字品牌发展规划。这种创新、智慧思维帮助人们构建起以出版和内容生产为核心的知识服务新业态。未来人工智能甚至可以结合全息投影技术、语音阅读技术等促进媒体、技术和用户的进一步融合，加强出版业和读者间的有效互动，真正实现以读者需求为导向的出版。然而，人工智能虽然对传播价值的提升和传播效率的提高起到正向的促进作用，但是由于对相关大数据存在过度解读，特别是逆向的BP神经网络信号传递会使信息的传递从输入层到输出层更加有效，然而由于人工智能存在自我学习过程，可能使原有版权作品质量失去控制[15]。此外，人工智能对大数据的筛选和利用对个人隐私、出版权限等影响也需要引起社会和出版界的关注和重视[16,17]。
临河区向日葵田盐碱地改良效果研究…………………………………………… 闫素珍，米志恒，孙祥春，樊秀荣，翟永胜，刘卓恩，孙秀云，秦晓燕，杜瑞芬，刘 霞（54）
参考文献
[1] McCarthy J. Measures of the value of information[J]. Proceedings of the National Academy of Sciences, 1956, 42(9): 654-655.
[2] Ahn J, Cho S, Chung D H. Analysis of energy and control efficiencies of fuzzy logic and artificial neural network technologies in the heating energy supply system responding to the changes of user demands[J]. Applied Energy, 2017, 190: 222-231.
[3] Rumelhart D E, McClelland J L, PDP Research Group. Parallel distributed processing[M]. Cambridge, MA, USA: MIT press,1987.
[4] 张素芹.机器人BP神经网络避障控制模型构建及仿真[J].西安工业大学学报,2015,35(08):678-682.
[5] Wang D, Luo H, Grunder O, et al. Multi-step ahead electricity price forecasting using a hybrid model based on two-layer decomposition technique and BP neural network optimized by firefly algorithm[J]. Applied Energy, 2017, 190: 390-407.
[6] Kuang Y, Singh R, Singh S, et al. A novel macroeconomic forecasting model based on revised multimedia assisted BP neural network model and ant Colony algorithm[J]. Multimedia Tools and Applications, 2017, 76(18): 18749-18770.
[7] Lin Y C, Chen D D, Chen M S, et al. A precise BP neural network-based online model predictive control strategy for die forging hydraulic press machine[J]. Neural Computing and Applications, 2018, 29(9): 585-596.
[8] 孙微巍 .数字电子图书产品研究 [J].中国出版 , 2014 (11): 52-54.
[9] 严定友.传统出版社数字出版模式设计原则[J].中国出版,2009(06):44-46.
[10] 魏玉山.2015-2016中国数字出版产业年度报告[J].印刷杂志 ,2016 (8): 8-12.
[11] 邓逸钰,王垚.智能化语境下的数字出版领域知识服务生态构建[J].出版发行研究,2017(06):34-36.
[12] 刘子闻,钞涛涛.进击的机器人:开辟写作领土[J].上海信息化 ,2016 (09): 25-28.
[13] 刘宇阳.人工智能,我们还有多远的路要走[J].出版参考,2017,9: 003.
[14] 李 方 伟 ,张 新 跃 ,朱 江 ,等 .基 于 APDE-RBF 神 经 网络的网络安全态势预测方法[J].系统工程与电子技术,2016,38(12):2869-2875.
[15] 孙玉玲.人工智能时代数字出版产业发展前瞻[J].出版参考,2017(09):13-15.
[16] 王晓光.人工智能与出版的未来[J].科技与出版,2017(11):4-6.
[17] Mrowinski M J, Fronczak P, Fronczak A, et al. Artificial intelligence in peer review: How can evolutionary computation support journal editors?[J]. PloS one, 2017, 12(9): e0184711.
Eあect of Artif i cial Intelligence on the New Type of Digital Publishing based on BP Neural Network
WU Dan1, ZHAO Jiang2,3
(1. Keyi College of Zhejiang Sci-Tech University, Shangyu; 2.School of Business Administration, Zhejiang University of Finance &Economics, Hangzhou; 3. School of Management, FuDan University, Shanghai)
Abstract: According to the BP neural network model, the big data signal can be obtained by artificial intelligence and performed by self-study, regulate the study ratio and reduce the introduction error of signal, which pave a theoretical way for the digital publish in artificial age. The artificial intelligence can enhance the storage, producing, processing, of digital contents via the hidden layer of BP neural network during the process of digital publishing, and then enhance the efficiency of data acquisition by data mining and information acquisition. Besides that it can complete the evaluation of digital contents rapidly by the intelligent processing, enhance the accuracy of the signal, reflect the communication of information in the output layer, and build up a new type of knowledge service.
Key words: BP neural network; Artificial intelligence; Digital publishing; New type of publishing
本文引用格式： 吴丹,等.基于BP神经网络的人工智能对数字出版新业态的影响[J]. 教育现代化,2019,6(51):141-145,148.
DOI： 10.16541/j.cnki.2095-8420.2019.51.049
基金项目： 浙江省自然科学基金资助项目(No. LY18G020015)；中国博士后科学基金第62批面上项目(No. 2017M621371)；浙江理工大学科技与艺术学院高等教育教学改革与研究项目（No.kyjg1813）：基于OBE教育模式的创新人才培养路径研究。
作者简介： 吴丹，女，浙江杭州人，文学硕士，讲师，研究方向：数字出版、新闻传播等。赵江，男，浙江杭州人，复旦大学博士后，浙江财经大学讲师，研究方向：企业建模、电子商务。
标签：BP神经网络模型论文; 人工智能论文; 数字出版论文; 新业态论文; 浙江理工大学科技与艺术学院论文; 浙江财经大学工商管理学院论文; 复旦大学管理学院论文;