智能音箱 - (语音助手) Google有Assistant,亚马逊有Alexa,苹果有Siri,微软有Cortana

http://sound.zol.com.cn/654/6546085_all.html


    现在我们所接触到的人工智能,比如智能音箱,实际上可以称之为智能助手,它所做的工作更多是助理性质的事务,你给它一个指令,它给你一个反馈;这仅仅是初级的人机互动,却还存在机器无法准确理解指令,尤其是语音指令的情况。我们可以看到,所有这些智能音箱背后,几乎都是以语音助手为支撑,Google有Assistant,亚马逊有Alexa,苹果有Siri,微软有Cortana;而在语音助手背后则是深度学习、大数据与云计算的强力支持,尽管实力雄厚如四巨头,我们对它们语音人机交互的体验仍然不满意,让机器听懂人类的话这件事只是刚开了个头。

    人类语言的复杂性这道门槛跨不过去,人工智能就不会有突破性进展。这里就存在一个语音识别的发展方向问题:是以指令为基础还是以情感为基础?就目前这些语音助手的实际表现来说,绝大多数是以指令为基础,对单纯而明晰的指令的理解基本不会出错,但一涉及到日常聊天,它们的弱点就暴露无遗,对于人类复杂的语言和情感,机器的理解力还相当低下。这就是为什么我们始终觉得它们是机器而不是一个模拟智慧生物体的原因。


基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值