迪士尼與麻省年夜學(xué)波士頓分校的研討人員協(xié)作開辟了一種技巧，可以或許應(yīng)用人工智能算法評(píng)價(jià)短篇故事風(fēng)行度。固然這些人工智能法式還不克不及像專業(yè)文學(xué)批駁家一樣剖析故事的利害，但卻可以或許猜測(cè)哪些故事能夠最受迎接。“我們的神經(jīng)收集在猜測(cè)故事可否風(fēng)行方面獲得了一些勝利。”迪士尼研討員Boyang Li說(shuō)，“你還不克不及應(yīng)用它們遴選本地寫作競(jìng)賽的優(yōu)越者，但卻可以用于指點(diǎn)將來(lái)的研討。”

　　研討人員應(yīng)用社交問(wèn)答網(wǎng)站Quora上的文章來(lái)練習(xí)人工智能法式，由于該網(wǎng)站上的許多謎底都以故事的情勢(shì)表現(xiàn)，所以讀者的點(diǎn)贊可以作為一項(xiàng)風(fēng)行度目標(biāo)，年夜致表現(xiàn)故事的質(zhì)量。

　　該團(tuán)隊(duì)搜集了年夜約5.5萬(wàn)條答復(fù)，將個(gè)中跨越2.8萬(wàn)條歸為故事，每個(gè)故事均勻有369個(gè)單詞。他們隨后還開辟了兩個(gè)分歧的神經(jīng)收集——一個(gè)用于檢查每一個(gè)故事的分歧部門，別的一個(gè)從加倍全體的視角評(píng)價(jià)一個(gè)故事。

　　每一個(gè)人工智能都可以猜測(cè)一個(gè)故事的絕對(duì)風(fēng)行度，這兩個(gè)神經(jīng)收集都比純真的文字性評(píng)價(jià)后果更好，但全局性的神經(jīng)收集比專注于各個(gè)部門的神經(jīng)收集后果還要凌駕18%。

　　業(yè)內(nèi)子士以為，片子公司將來(lái)也能夠會(huì)應(yīng)用相似的技巧選擇腳本。