ＥＬＥＣＴＲＯＮＩＣＳ ＷＯＲＬＤ· 霉与明察 人工智能翻译ｌ；『 发展现状与前景分析 桂林电子科技大学外国语学院 罗华珍潘正芹 易永忠 【摘要】近年来，人工智能（Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，以下简称ＡＩ）技术迅猛发展，越来越深刻地影响各行各业。其中，语言服务业涉及的机 器翻译，有“ＡＩ中的ＡＩ”之称，一直被视作人类的最后一块智慧高地， “ＡＩ王冠上的宝石”。这块璀璨的宝石引来了众多高校与研究机构竟 相研究。更引来了包括谷歌、阿里在内的企业巨头踊跃投入。此外，不少传统的语言服务企业也意欲向此转型。那么，人工智能翻译技术的 现状究竟如何？ＡＩ会给语言服务业带来哪些深刻影响？人工翻译与机器翻译的未来，又该何去何从？本文结合人工智能翻译的发展现状及其 当前应用的成果，对以上问题进行分析探讨，以期对ＡＩ翻译领域的研究方向，提供理论参考依据。 Ｉ关键词】人工智能；机器翻译；人工翻译；深度学习；循环神经网络；积卷神经网络；翻译众包；机器学习技术 更具整体性，而不是简单的翻译单词。 一、机器翻译的优点 目前对鼢 应用的最为炉火纯青的应该就是谷歌翻译了，去年 谷歌提出了用神经网络系统进行机器翻译，据称汉译英的错误率最 高下降８５％，在当时还小小的引起了一番轰动。 随着科技和经济的快速发展，全球各国的互联互通已经成为不 可阻挡的发展趋势。为了实现不同国家之间低成本的有效交流，机 器翻译应运而生。其优点主要体现为： １．成本低： 如果说传统神经网络在翻译时，永远是用一片空白的大脑面对 每一个句子，那么ＲＮＮ在翻译时则拥有持久的思想，而谷歌翻译所 应用的ＬＳＴＭ更加强了这一点。ＬＳＴＭ是ＲＮＮ的一类变种，被译为 长短期记忆网络，是一种时间递归神经网络。ＲＮＮ的缺陷在于， “于谦的父亲．王老爷子”这种间隔很短的序列预测以前很容易， 相比于人工翻译，机器翻译的成本要低很多。因为机器翻译需要人 工参与的时候很少，基本上由计算机自动完成翻译，大大降低了预算。 ２．易把控： 但要预测“今天出门晚了，所以上班口”这类句子，需要联系到间 机器翻译的流程简单快捷，在翻译时间的把控上也能进行较为 精准地估算。 ３．速度快 计算器程序的运行速度非常快，机器翻译正好利用了这一优点。 隔较远的上下文，这时ＲＮＮ可能就表现的没那么优秀了。 而ＬＳＴＭ，就可以学习并理解这种长期依赖关系。ＬＳＴＭ通过一系 列计算将句子中的各个元素的特征构建成非线性的组合，同时还设立 “更新”记忆，让长期依赖因素不断的存在于距离较近的神经元中。 ＣＮＮ：ＧＰＵ的宠儿 ＣＮＮ一一卷积神经网络应用于机器翻译之上。 了“遗忘机制”，将权重较低的元素遗忘掉。这就意味着ＬＳＴＭ可以 ＝．机器翻译的发展现状 相信常跟外语打交道的读者都感觉到，机器翻译越来越强大 就在ＲＮＮ机器翻译还在不断更新时，又有人提出了将 了。从最开始的只能翻译单词，翻译句子简直一窍不通的，到之后 从上文我们可以得出结论，ＲＮＮ（ＬＳＴＭ）机器翻译按照序列 翻译出来句子可以符合基本的语法，再慢慢变得越来越有基本的逻 辑性了，再到现在部分软件可以联系上下文，翻译结果的可读性与 正确性都大为改观。 近年来，加入了“深度学习技术”等人工智能的机器翻译， 进行工作，也就是和人一样，按照顺序一个个的进行翻译。但要记 住的一点是，目前比较主流的ＧＰＵ最大的有点是可以进行并行计 算。这样一来ＲＮＮ就没法最大化利用ＧＰＵ的计算能力。 能力。将文本序列化、单词向量化，经过分层处理后再输出结果。 在分层过程中，还会不断回顾源文本来确定下一个输出序列。 提出这种技术的是Ｆａｃｅｂｏｏｋ和最近的机器翻译新秀ＤｅｅｐＬ。 而ｃＮＮ则可以同时处理多个语言片段，并且具有信息分层处理 已经不再简单地将一个个单词翻译成另一种语言，而是可以像人一 样，不断向前回顾以理解结构复杂的句子，并且结合上下文，理解 每一个Ｉｔ／Ｈｅ／Ｓｈｅ具体指代谁。 实现这种功能，分别依赖于两种神经网络架构，一个是Ｒｅｃｕｒ． ｒｅｎｔ Ｎｅｕｒａｌ Ｎｅ ｏｒｋｓ（ Ｎ）一一循环神经网络，另一个则是Ｃｏｎｖｏ． １ｕｆｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅ ０ｒｌ【ｓ（ＣＮＮ）一一卷积神经网络。关于ＲＮＮ和ＣＮＮ 哪个更适用于机器翻译的争论也很多，我们先来看看这两种神经网 络都是如何为机器翻译“开光加持”的。 ＲＮＮ：机器翻译的创派宗师 ２０１７年上半年，Ｆａｃｅｂｏｏｋ宣布推出了基于ＣＮＮ开发的语言翻译模 型，据说比基于ＲＮＮ开发的语言翻译模型速度快９倍，而且准确率 更高。在测试上，Ｆａｃｅｂｏｏｋ翻译系统在英语．德语、英语．法语的测 试上都比ＲＮＮ更接近人工翻译。 并且，不管是ＣＮＮ还是ＲＮＮ都不是机器翻译的终点，比如谷 歌近期提到的不再基于ＲＮＮ的注意力机制，以及多层神经网络、深 首先我们要明白，所谓机器翻译，就是一个解码后再编码的过 程。如果要把英语翻译成中文，就要先把英语原文解码成“神经代 码”，再编码生成中文。 循环神经网络的关键，就在于循环二字上。系统会“记住”上 一度神经网络等等，都是解决机器翻译的方法。在速度、计算资源消 耗、情感理解等等多种维度上都有不同的表现。 如果从最终的实用性来说，神经网络模型能影响到的仅仅只是一 部分。更多的是语料库的大小、繁重的语料标注工作等等，同时这也 注定了蒙古语、藏语这种语料较少语言仍然无法受益于机器翻译。 次输出的内容，以此来决定下一次输出。有了上一次和下一次的 概念，神经网络就不会把输入和输出的信息看做独立的，而是相互 关联的时间序列。这样就可以通过以往的序列关联猜测到下一个序 列会出现的词。 三．机器翻译的现有弊端 在翻译时，ＲＮＮ把源语言当做输入序列，把翻译语言当做输出 人工智能翻译技术的飞速发展，使得近几年来机器翻译取代人 序列，由于每一次输出都会参考上一次输出的结果，所以机器翻译 工翻译的呼声，似乎越来越高。不少人工智能的狂热信徒，动不动 基金项目：广西教育厅“英汉机器翻译与语言学接口研究：问题与出路”，编号：ＫＹ２０１５ＹＢｌｌ５。 电子世再 ·２１· ＥＬＥＣＴＲＯＮＩＣＳ ＷＯＲＬＤ·探索与观察 就威胁要人工翻译人员下岗，甚至灭绝。 人脑的认知与联想。 然而，人类语言的复杂性众所周知，人尚且有误解的时候，冰 冷的机器真的足以胜任自然语言的翻译吗？ 至少目前看来，显然不能。 人工翻译的优势在于人是有思维的，具有灵活性，翻译过程中对 句子结构，语法应用，以及上下文的逻辑思想等等都可以自由的分析思 考，翻译出的东西不至于语法混乱，逻辑不清；而且像有些文学性较强 首先，在人类语言当中，很多用词和表达方式是多义的、模糊 的、跟特定应用环境相关的。即使是同一个句子，在不同语境下的 意思也不相同。例如碰到这样的情况，机器也会“迷茫”。 请解释下文中每个“意思”的意思： 阿呆给领导送红包时，两人的对话颇有意思。领导： “你这 是什么意思？” 阿呆：“没什么意思，意思意思。”领导：“你这就不够意 思了。” 的文章、稿件，人工翻译就可以有血有肉的表达出其中的韵味，其中的 各种思想精髓，不至于生涩难懂。还有人工翻译可以根据译语使用肯的 语言习惯，思维方式，风俗习惯等，把译文翻译的更符合语使用者的阅 读思维习惯，使译文更加的地道精确。翻译出的译文也具有很强的可读 性。故此在这一层面的应用中，机器翻译仍然存在着难以克服的缺陷。 四 Ａｌ翻译的发展前景 阿呆：“小意思，小意思。”领导：“你这人真有意思。” 阿呆：“其实也没有别的意思。” 我们再通过一些科技文献翻译实例的对比，看看ＡＩ翻译与人工 翻译的差距： 原句： Ｏｎｅ ｏｆ ｔｈｅ ｖａｌｖｅｓ ｉｎ ｔｈｅ ｅｎｇｉｎｅ ｍｕｓｔ ｈａｖｅ ｇｏｎｅ ｗｒｏｎｇ 谷歌翻译：发动机中的阀门之一必须出错。 人工翻译：发动机的一个气门肯定出了问题。 分析：在汽车制造业，ＶＡＬＶＥ作为汽车零件，不是通常意义上 的“阀门”，而是发动机的“气门”。ＡＩ翻译无法辨识特定应用语境 中，词汇多种含义的正确对应，导致了错误的翻译结果。而词语组合 ｇｏｎｅ ｗｒｏｎｇ和应该译作“出错”还是“出了问题”，机器翻译由于不 具备人脑的宏观直觉，故而也没能输出更符合语言习惯的译文。 与人工翻译相比，在处理复杂的、专业性或技术性强的语段时， ＡＩ的翻译结果，不仅仅是可读性，流畅性存在差距，纵然是作为基 本要求的正确性，也仍有不可容忍的缺陷。更不必说，在不少翻译实 例中，得出正确译文的关键点，不仅仅是对原文之字面意义“正确认 识”，更要求对作者的言外之意加以领会。我们再看看以下的例句： 原句： Ｔｈｅ ２０ｔｈ ｃｅｎｔｕｒｙ ｗｉｌｌ ｎｏｔ ｂｅ ｒｅｍｅｍｂｅｒｅｄ ａｓ ｔｈｅ ｅｒａ ｗｈｅｎ ｓｐａｃｅ ｗａｓ ｃｏｎｑｕｅｒｅｄ，ｏｒ ｔｈｅ ｐｏｗｅｒ ｏｆ ｈｔｅ ａｔｏｍ，ｈａｒｎｅｓｓｅｄ，ｂｕｔ ｔｈａｔ ｉｎ ｗｈｉｃｈ ｗｅｒｅ ｍａｄｅ ｔｈｅ ｆｉｒｓｔ ｍａｃｈｉｎｅｓ ｈａｖｉｎｇ ｉｎｔｅｌｌｉｇｅｎｃｅ． 谷歌翻译： 二十世纪不会被记住为空间被征服的时代，或原子的力量，被 利用，而在第一台有智慧的机器。 人工翻译： 如果在２０世纪，人类不制造出具备智能的首批机器，这一时代，也 不会作为“征服宇宙的世纪”或“原子能利用的世纪”而被人铭记。 可见，就科技英语而论，理解原文的过程，在多数情况下，是 一个语义辩认，语法分析和逻辑分析三方面交互作用的过程，而不 单单是一个逻辑分析的过程，请看下面的例句。 原句： Ｓｈｏｒｔｌｙ ｂｅｆｏｒｅ ｔｈｅ ｕｎｉｎｈａｂｉｔｅｄ ｓｐａｃｅ ｓｔａｔｉｏｎ ｒｅａｃｈｅｄ ｏｒｂｉｔ ｉｎ Ｍａｙ １９７３，ａｅｒｏｄｙｎａｍｉｃｐｒｅｓｓｕｒｅｔｉｐｐｅｄ ｏｆｆａｍｅｔｅｏｒｏｉｄ ａｎｄｈｅａｔ ｓｈｉｅｌｄ． 谷歌翻译： １９７３年５月无人空间站到达轨道之前不久，空气动力学压力剥 离了流星体和隔热罩。 人工翻译： 在ｌ９７３年５月无人太空站到达轨道前不久，它的一个防流星体 和防热的护罩被空气动力的压力剥离。 分析：首先，从逻辑上看，说：“空气动力压力扯破了一个流 星体”，是不合事理的，荒谬可笑的。其次，从语言上看，不定冠 词ａ是说明ｓｈｉｅｌｄ的，而不是说明ｍｅｔｅｏｒｏｉｄ的。通过逻辑分析和语言 分析可以清楚地看出，名词ｍｅｔｅｏｍｉｄ￣ｔ１名词ｈｅａｔ原来都是名词ｓｈｉｅｌｄ 的定语。Ａ ｍｅｔｅｏｒｏｉｄ ａｎｄ ｈｅａｔ ｓｈｉｅｌｄ的意思是：一个防流星体和防 热的护罩。而想要对文字信息实现这种层次的理解判断，必须具备 ·２２· 电子世界 语言服务业从刚开始坚信“人工翻译无法替代”，到接受人机结 合并纷纷试水拥抱变化，中间经历了抵触、恐慌、接纳的各种转变 当人工翻译遇上ＡＩ，是机遇，还是挑战？人工翻译会不会“有 朝一日”被机器翻译完全取代？这个问题一直备受争议～一并且， 在“被取代”之前，这个争议将一直继续下去。 但可以肯定的是，这一天的到来，必定以“机器完全拥有人类 智慧”为前提。如果这一设想当真在有朝一目变为现实，那么届时 不止是语言服务行业，而是整个社会的各行各业，人工劳力都将被 人工智能所取代。 就目前发展趋势分析，笔者认为，虽然现在可以通过一些实用 的技术让机器去模拟人的智能活动，模拟人对语义的理解，但相对 于彻底的人工智能和语义理解，还有相当长的道路。如果有一天机 器真的能够实现准确的实时翻译，它们的角色更应该是辅助相关产 业的工作人员更轻松、便捷地开展工作，而不是取代人工翻译的工 作岗位。 此外，针对上文分析到的问题，在人工智能的神经网络翻译技 术领域，有一些解决方案可以作为比较高效的补充，也许这些会成 为神经网络翻译企业接下来的重点战场。 １．引进ＮＭＴ以外的人工智能技术：巧合的是，近两年关于机器 翻译的技术突破往往来自其他人工智能领域。比如注意力模型，是 来Ｉ￣Ｄｅｅｐｍｉｎｄ在机器视觉领域的技术构想。主动引入其他领域的算 法和模型，或许在翻译领域有神奇的效果。 ２．建立机器学习使用的用户数据库，激发互动：在机器学习的 原理当中，对错误样本纠错往往是最好的学习途径，但翻译上的纠 错行为显然是企业难以完成的。调动用户主动纠错翻译结果，并以 之建立数据库，或许是非常便捷的办法。现在的机器翻译平台当然 都有纠错功能，但用户的参与热情和参与方式是个问题。 ３．尝试优质训练资料下的弱监督学习：目前的ＮＭＴ体系，归根 结底是个有监督学习过程，很多所谓“莫名其妙”的翻译结果都 来自翻译机制无法优化。尝试一些深度学习架构让翻译系统自我优 化，也许是个解决方案。 ４．垂直领域语料数据库＆数据抽调系统：解决具体的专业领 域，甚至文言文的中英互译。 （当然也包括英文的诗歌和文学文本），其实也没什么特别的 办法，拥有强大的垂直领域数据库是硬实力，当然好的数据抽调模 型会事半功倍。 五．结论 智能＋人工＝翻译的未来 为了弥补人工智能的不足，许多翻译技术公司已经在尝试新模 式，即人工智能＋翻译众包（Ｔｒａｎｓｌａｔｉｏｎ Ｏｕｔｓｏｕｒｃｉｎｇ）的结合。这 或许代表了翻译的未来发展趋势。 在这种模式中，人工智能首先完成最基本的翻译。在拿到来 自机器的初步翻译结果后，普通译者首先对机器翻译的差错进行更 正。随后，高级译者将对翻译后文本的文学性和专业性做进一步修 ＥＬＥＣＴＲＯＮｌＣＳ ＷＯＲＬＤ·攘豢．与 察 订。这样的流水作业将带来更高的效率，同时确保质量。 机器学习技术也会参与这一过程。通过机器学习，计算机将基 于人工修订后的结果学到准确的单词表达，以及人类的语言习惯， 从而优化未来的翻译能力。另一方面，计算机也会对人工翻译的 “硬性”部分进行追踪，帮助译者避免低级错误。在这一过程中， 人工智能和人工翻译将形成良性循环。 人工智能对人工翻译的帮助还不仅于此。例如，在众包译者工 参考文献 发挥不可磨灭的作用。 ［１］Ａｒｎｏｌｄ，Ｄ．Ｂａｌｋａｎ，Ｌ．Ｍｅｉｊｅｒ，Ｓ．Ｈｕｍｐｈｒｅｙｓ，Ｒ．Ｌ．Ｓａｄｌｅｒ，Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ：Ａｎ Ｉｎｔｒｏｄｕｃｔｏｒｙ Ｇｕｉｄｅ［Ｍ］．Ｕｎｉｖｅｒｓｉｔｙ ｏｆＥｓｓｅｘ，２０１５． Ｌｉｎｇｕｉｓｔｉｃｓ［Ｍ］．Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｙ Ｐｒｅｓｔｓ，２０１３． ＵＳＡ：ＢＬＡＣＫＷＥＬＬ ＰＵＢＬＩＳＨＩＮＧ，２０１４． ［２］Ｂｉｂｅｒ，Ｄｏｕｇｌａｓ，Ｓｕｓａｎ Ｃｏｎｒａｄ ａｎｄ Ｒａｎｄｉ Ｒｅｐｐｅｎ．Ｃｏｒｐｕｓ 作的同时，人工智能将会了解不同译者具备的专业性。通过对这类 数据的收集和分析，人工智能可以向不同译者分配他们擅长的翻译 内容。例如，关于计算设备说明书的翻译将精准分配至电脑专家， 而财务报告的翻译将可以由会计专业的译者来担任。 【３】Ｃａｒｎｉｅ，Ａｎｄｒｅｗ．Ｓｙｎｔａｘ：Ａ Ｇｅｎｅｒａｔｉｖｅ Ｉｎｔｒｏｄｕｃｔｉｏｎ［Ｍ］． ［４］Ｃｈｏｍｓｋｙ，Ｎ．Ａｓｐｅｃｔｓ ｏｆ ｔｈｅ Ｔｈｅｏｒｙ ｏｆ Ｓｙｎｔａｘ［Ｍ】．Ｃａｍｂｒｉｄｇｅ， Ｍａｓｓ：ＭＩＴ Ｐｒｅｓｓ，２０１６． 这种模式正在引起全球投资人的关注。例如，硅谷创业孵化器Ｙ Ｃｏｍｂｉｎａｔｏｒ￣Ｅ２０１４年冬季班时孵化了这样一家公司Ｕｎｂａｂｅｌ。与传统人工 翻译相比，人工智能的引入提高了效率，而不同于单纯的机器翻译，人 工翻译使翻译的表达更准确、更流畅，更适合用于正式场合。 在国内，市场最主要的翻译需求是中英文之间的互译，无论是新 闻媒体、学术论文，还是英美影剧。人工智能和人工翻译的结合可以优 ［５］Ｇｒｉｓｈｍａｎ，Ｒ．Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ：Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ［Ｍ］． Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｙ ｔＰｒｅｓｓ，１９８６． 【６１冯志伟．机器翻译研究［Ｍ】．北京：中国对外翻译出版公司，２００４． 【７】胡壮麟．语言学教程［Ｍ】．北京：北京大学出版社，２００７． 社．２００５． 【８】易绵竹，南振兴．计算机语言学【Ｍ】．上海：上海外语教育出版 化当前翻译的效率，带来更自由的跨国交流，创造更大的市场机会。 更重要的是，对于尚未被纳入互联网的少数族裔语言，这种模式 将带来明显帮助。可以想象，通过统一的人工智能数据库，谷歌、雅 【９】张政，苗天顺．计算语言学与机器翻译导论【Ｍ】．北京：外语教学 与研究出版社，２０１０． 虎、Ｆａｃｅｂｏｏｋ等网站将自动翻译成非洲、南亚或印第安语言，而当地 志愿者可以在此基础上高效的完成优化。这将消除互联网向贫穷国家 普及过程中的语言障碍，成为真正连接全世界的“信息高速公路”。 作者简介： 语教学法。 罗华珍，桂林电子科技大学外国语学院副教授， 研究方向：英 文章的最后，笔者再做一个小小的展望：未来，在机器翻译领 域，一定会出现很多，以某种特定语言为优势的翻译机构。这个领 域也将吸引更多在语言方面有天才的创业者的加入，另外，由于文 研究方向：翻 潘正芹，桂林电子科技大学外国语学院副教授， 译和第二语言习得。 译，英语教学法。 易永忠，桂林电子科技大学外国语学院教授，研究方向：翻 字是文化的重要载体，所以机器翻译对各个国家文化的传承，也将 （上接第２Ｏ页） 理多种传感器。电子地图包含一个事件检视器，能够快速自动对触发 事件的设备定位和回播事件，同时也提供快速信道预览功能。 ４）针对于变化场景的稳定实时人群聚集度分析 今后，如何拓展监控视频深度分析技术，能够实现密集人群的意向 性可能状态属性的预测，在应用领域更具挑战性的大群体、弱环境 和预测的时效性更高是需要重点研究的方向。 参考文献 社．２００６—１—８． 情况下的动态推演，需要从宏观层面适配大人群演化算法，使模拟 通过检测人群密度、群体运动特征检测人群的聚集、游行、 集会等活动，提出面向密集人群感知的视频深度分析技术，解决复 杂、动态场景下对样本稀疏的特定目标人群自动进行高精准定位以 及态势预测的难题 Ｊ。 ５１应急预案体系建立 ［１】国务院发布的《国家突发公共事件总体应急预案》［Ｎ】．新华 在区域人群密度估计功能的基础上，及时感知人群中所发生 的变化，对视频中异常行为事件进行实时提取和筛选，并及时发出 预警，自动启动应急预案，动态地为突发事件提供科学的、及时的 【２］王晓泓．上海世博会警卫勤务信息系统建设与应用Ｕ１武警学 院学报，２０１２，２８（７）：１５－１７． 【３】Ｑｉｎｇ Ｙａｎ，Ｙｉ Ｘｕ ａｎｄ Ｘｉａｏｋａｎｇ Ｙａｎｇ，Ｓｅｐａｒａｔｉｏｎ ｏｆ Ｗｅａｋ Ｌｅｔｔｅｒｓ，２１（１０）：１１７３１１７６，２０１４． 应急预案处置。提出的应急预案体系是基于案例的推理架构来实现 的，达到从过去的经验中发现解决当前事件线索方法的目的。 Ｒｅｌｆｅｃｉｔｏｎ ｆｒｏｍ ａ Ｓｉｎｇｌｅ Ｓｕｐｅｉｒｍｐｏｓｅｄ Ｉｍａｇｅ［Ｊ］．ＩＥＥＥ ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ 【４］Ｃ．Ｚｈａｎｇ，Ｘ．Ｇ．Ｗａｎｇ，Ｘ．Ｋ．Ｙａｎｇ，Ｃｒｏｓｓ—ｓｃｅｎｅ Ｃｒｏｗｄ Ｃｏｕｎｔｉｎｇ ４结束语 基于上述技术和设备的研究与创新，成功研制公共群体突发事 件综合智能视频分析监测和预警的各类应用系统，应用范围涵盖公 共安全管理、国内反恐工作、群体突发事件应急指挥等多个领域 ｖｉａ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｃ］．ＩＥＥＥ Ｃｏｎ￣ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｉｏ，ｔ８３３—８４１。２０１５． 【５］Ｃｏｎｇ Ｚｈａｎｇ，Ｋａｉ Ｋａｎｇ，Ｈｏｎｇｓｈｅｎｇ Ｌｉ，Ｘｉａｏｇａｎｇ Ｗａｎｇ，ＲｏｎｇＸｉｅ ａｎｄ Ｘｉａｏｋａｎｇ Ｙａｎｇ，Ｄａｔａ—ｄｒｉｖｅｎ Ｃｒｏｗｄ Ｕｎｄｅｒｓｔａｎｄｉｎｇ：ａ Ｂａｓｅｌｉｎｅ ｆｏｒ ａ Ｌａｒｇｅｓｃａｌｅ Ｃｒｏｗｄ Ｄａｔａｓｅｔ：川．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｍｕｌｉｔｍｅｄｉａ，１—１５，２０１６． 电－￣ｔｌ－ＩＢ ·２３·