數(shù)據(jù)是推動AI發(fā)展的催化劑，但如果要收集有效的數(shù)據(jù)，這就需要AI專家富有創(chuàng)造性了。自然語言處理（NLP）是AI的一個子域，側(cè)重于教計算機如何解析人類語言。在MIT的年度自然語言處理實證方法會議（EMNLP 2018）中，來自微軟、臉譜網(wǎng)和谷歌等科技公司或組織的AI專家們介紹了一大系列收集信息的新穎方法，本文主要總結(jié)了其中令人印象深刻的四種方法。

1. 混合語言（Spanish+English=Spanglish）

微軟在多語種NLP的論文提出了一種專注于處理“混合語言”的方法，即在夾雜不同語言的文本或語音中自由切換，考慮到世界上超過一半的人口使用多語言，這個對此前未涉及領(lǐng)域的研究非常重要。

研究人員從西班牙語和英語著手，不過他們?nèi)鄙僮懔康奈靼嘌勒Z文本來訓(xùn)練機器。正如混合代碼，很少能找到包含多語言會話的文本，研究人員編寫了一個程序克服這個挑戰(zhàn)：把流行英語文本錄入到微軟的必應(yīng)翻譯器，然后將以詞組為單位翻譯的西班牙語譯文轉(zhuǎn)入源文本，確保交換的單詞和短語具備同樣的意思。通過這種方式，他們能夠創(chuàng)建出足夠多的西班牙式英語。

通過這種方式產(chǎn)生的NLP模型明顯優(yōu)于之前只用西班牙語或只用英語訓(xùn)練的模型。研究人員希望他們的工作最終能幫助開發(fā)多語言聊天機器人。

2. 食譜

食譜以圖文并茂和循序漸進的方式教人如何做菜，類似這種的方法也可以被用來訓(xùn)練機器：用結(jié)構(gòu)數(shù)據(jù)教會機器同時理解文本和圖像。土耳其哈斯特帕大學(xué)的研究人員匯編了一套涵蓋兩萬多本插圖烹飪食譜的大型數(shù)據(jù)集，他們希望將此作為用于訓(xùn)練機器文本-圖像理解性能的基準(zhǔn)測試的新資源。

這個所謂的“食譜QA”的數(shù)據(jù)集是建立在先前的研究基礎(chǔ)之上，此前的研究分別側(cè)重機器閱讀理解和視覺理解能力，對于前者，機器必須理解問題和相關(guān)段落才能找到答案，而對于后者，機器只能在相關(guān)圖像中搜索答案。文本和圖像的并排增加了任務(wù)的復(fù)雜性，因為這會呈現(xiàn)出互補或多余的信息。

3. 短句

谷歌希望用AI潤色散文，研究人員為此創(chuàng)造了有史以來最大的數(shù)據(jù)集：將長句縮減成短句，但兩者具備相同意義。在哪里才能找到大量的編輯數(shù)據(jù)呢？當(dāng)然是維基百科了。

研究團隊從維基百科豐富的編輯歷史中提取了拆分長句的實例，結(jié)果顯示，相比以前的基準(zhǔn)數(shù)據(jù)集，這次任務(wù)中發(fā)現(xiàn)了60倍不同的句子拆分例子和90倍的詞匯單詞，而且數(shù)據(jù)集跨越多種語言。

當(dāng)研究人員用新的數(shù)據(jù)訓(xùn)練機器學(xué)習(xí)模型時，其準(zhǔn)確度（這里的準(zhǔn)確度是指句子被重寫后其意義和語法保持正確的比例）高達91%，相比之下，用先前數(shù)據(jù)進行訓(xùn)練的模型僅達到32%的準(zhǔn)確度，最后，研究人員結(jié)合了兩個數(shù)據(jù)集并用此對第三個模型進行了訓(xùn)練，準(zhǔn)確度達到了95%。因此，研究人員得出結(jié)論，可以通過尋找更多的數(shù)據(jù)來源實現(xiàn)更好的效果。

4. 社交媒體的偏差

相關(guān)研究已表明，人類創(chuàng)造的語言是人類種族、性別和年齡很好的一個預(yù)測指標(biāo)，即使這些信息從未被明確地陳述過。因此，以色列巴伊蘭大學(xué)和艾倫AI研究所的研究人員試圖利用AI通過移除這些內(nèi)嵌指標(biāo)來消除文本中的偏差。

為了獲取足夠數(shù)據(jù)代表基于不同人口統(tǒng)計的語言模式，他們轉(zhuǎn)向了Twitter平臺，收集了幾組不同用戶的推文，其中的對比組用戶包括非西班牙裔的白人和非西班牙裔的黑人、男性和女性、18-34歲和35歲以上。

研究人員采用一種對抗方式將兩個神經(jīng)網(wǎng)絡(luò)相互對立，查看其是否能自動除去推文中內(nèi)在的人口統(tǒng)計指標(biāo)。其中一個神經(jīng)網(wǎng)絡(luò)試圖預(yù)測人口統(tǒng)計學(xué)，而另一個試圖將文本調(diào)整到完全中立的狀態(tài)，其目的是將第一個模型的預(yù)測準(zhǔn)確度（或可能性）降低到50%。通過這種方式能顯著減低種族，性別和年齡的指標(biāo)，但無法完全消除。