艺术传播的人工智能应用需求研究

陈端端

摘要：设备与算法研究的发展，使得全方位高精度的采集与量化人类感知数据，使其可被人工智能识别和理解的应用成为可能。因此，在信息爆炸与人类认知限度存在矛盾的现状下，利用人工智能，结合对感知数据与情感体验相关关系的较为成熟的研究，将具有特定感知数据维度的艺术信息与受众的欣赏取向和消费需求进行匹配，建立恰当的纠错和适应机制如协同过滤等，以达到一定的健壮性，实现海量艺术作品和艺术信息的精准推送与高效传播，是可行也是必须的。

关键词：艺术学理论；艺术传播；人工智能；机器认知；数据挖掘；艺术信息

中图分类号：J50文献标识码：A

人工智能是指利用计算机开发用于模拟、延伸和扩展人的智能的方法、技术与应用系统。当前主要的研究领域包括机器人智能、语音识别、图像识别、自然语言处理和专家系统等。将人工智能应用于艺术传播领域的要点，在于对艺术作品与艺术信息的感知数据库与受众之间的关系进行分析与数据挖掘，执行无监控或半监控的模式发现，并以此为依据进行精准传播。这是一种将计算机与艺术直接联系起来的过程。人们可能会质疑，对艺术信息产生情感体验是人类独有的思维和感受能力，使用机器认知对艺术信息进行判断理解并给出传播决策的过程，似乎因有悖于艺术的本质而可能无效。然而笔者认为，在艺术传播领域使用人工智能是必要的也是可行的。其必要性在于：如今传统的艺术推荐方式，其效能正在逐渐降低。将人工智能应用于艺术传播，可以借助计算机的联网、精准与高速的识别与处理信息、计算与存储的云端巨量化以及快速索引等优势，弥补传统的以人为主的艺术推荐与艺术传播过程所存在的速度与准度缺陷。其可行性在于：全方位高精度的采集人类感知数据不仅方便而且便宜，对高维数据进行降维算法的研究，也使得对此类复杂的感知数据进行取样和量化成为可能，虽然当前的机器认知研究仍未能达到能对艺术信息进行充分理解的阶段，但已在准度与效率之间取得了平衡，一定程度可使人接受，并于某些门类艺术的发现与推荐服务领域形成了较为成熟的应用。因此，笔者认为，使人工智能能够识别艺术的底层感知信息，结合艺术心理学、设计学等学科中较为成熟的相关研究，预测受众的欣赏需求，匹配相应作品，实现海量艺术信息的精准推送与高效传播是可行的，这也是艺术传播研究与应用的重点。

一、艺术作品数量的激增与艺术欣赏差异的加强

信息爆炸和媒介的去中心化时代，人们面临的不再是信息匮乏而是选择障碍。另外，对于艺术，显然每个人的感受都不尽相同。同一件作品，可能有人极为喜爱，有人无动于衷。因此，在存在无数选择可能与众多欣赏口味的情况下，显然需要一种方法，能够快速、便捷、准确的，从海量艺术信息中分辨和选择出受众更可能需要、喜爱和被感动的那部分艺术作品，做到针对目标受众的精准推送。电子商务在这一领域起步较早。网络广告的泛滥曾让用户倍感厌恶，但在借助了人工智能的数据挖掘与发现之后，如今电子商务广告推荐不再忽视用户个性需求一味狂轰滥炸，某些广告提供商能够将环境、用户的搜索关键词、页面停留时间、点击的链接、社交媒介文本数据关联起来，进行用户消费需求与行为预测，将广告由骚扰用户的无效信息变为拟合其消费需求的有效信息。艺术传播显然也可以借鉴这一方法来提高效率。

二、传统推荐方式的效能局限与长尾障碍

当人们，尤其是不具备艺术专业知识的人们在面对众多选择时，往往需要某些参考坐标来帮助他们进行选择，这些参考坐标就包含艺术推荐。传统的艺术推荐模式有：1、人际传播，如亲友推荐与共享；2、把关人推荐，如本领域的专家意见，艺术评论、广播或电视播出的艺术专访，奖赛或评选推荐等；3、群体智慧，如歌曲销售榜单、电影票房，点击量等。这些参考坐标是有效的，但也存在对艺术体验的个性差异做精细划分想能力不足，面对大信息量与高差异性的艺术传播需求效率低下等缺陷。另外，传统的艺术推荐模式往往容易将注意力聚焦于长尾头部的艺术作品，忽略那些处于尾部却数量巨大的艺术作品。数字网络环境中，获取曲线尾部的艺术信息的成本大大降低，人们可以更多的关注到这部分艺术信息，而它们往往可能创造出更大的价值。

因此，将人工智能纳入艺术传播，能够改善因针对性不强而传播效率偏低、且无法发挥长尾优势这两类传播缺陷。

三、人工智能应用于艺术传播的方案分析

人工智能应用于艺术传播的方案与流程是：采集数据、量化数据、挖掘数据、建立模型，理解与匹配艺术信息和受众需求，精准传播。

（一）采集数据

此处数据分为两类。a、艺术信息与艺术作品的感知数据采集；b、人类行为与需求的数据采集（眼动、脑波、数码设备使用、社交媒介、可被侦测的购买和获取行为数据）。而a类数据所针对的又分为两种，一是与艺术相关的信息，如展演消息，作品介绍，艺术家访谈等，一是艺术作品本身，如演出视频、乐曲音频、画作图像、文学篇章等。采集数据，与人们的情感体验建立正相关（或负相关）的关系，获得其关系模型，以便计算机识别和理解是首要步骤。对那些与艺术相关的信息进行如标签定义、关键词提取等数据采集与标准化是相对易行和易准的。另一关键，即对艺术作品本身的数据量化是难点。情感能否量化仍在争论之中，笔者认为将人类情感全部直译为数据，使机器对艺术也具备灵感领悟能力，显然不可行，但这并不等于便无法对艺术进行量化研究。人们对艺术作品的感受，可分解成各类感官数据，如视觉、听觉、触觉、嗅觉与味觉、平衡感与空间觉数据等。纵观媒介史，人们用来采集和传播感知数据的媒介具有从信息耗损高、还原度低向信息耗损低、还原度高方向发展的趋势。当然，由于人类的心理存在完型能力，人们能够使用预设将不完整的信息补充完整。

（二） 量化数据

需要量化的数据分为三类，一是采集到的数据，二是人们观赏艺术作品时产生的情感体验，三是建立艺术欣赏需求模型。针对第一类数据的量化研究与应用已有不少成果，针对第二类数据的量化研究和应用可以借鉴心理学中对情感体验类型的树状结构成果，以及某些试图使用机器进行智能创作的软件应用与理念。在文本挖掘、图像理解、音乐发现等领域，已经出现一些既可使数据为计算机理解，又便于让人们采用如自然语言描述进行定位的应用。至于针对第三类数据的量化，则需要建立能被快速索引的带有多层次标签的艺术信息数据库，使用知识挖掘构建艺术传播领域的隐性关系模型。这在以往是很难想象的，但随着硬件与算法不断发展与成熟，人们能收集的数据维度越来越高，信息量越来越大，数据面越来越全，对大数据的分析，可以推算出某些以往无法得出的事件与人类行为之间的正（或负）相关关系。

（三）挖掘数据

将数据挖掘（Data mining）应用于艺术传播领域，可以将艺术传播思路从显性关系中拉出来，通过算法发现仅靠人类直觉无法识别的隐藏在艺术信息、受众以及它们之间的关联关系，有助于避开那些看起来合理但实际传播效果并不很好传播方法。数据挖掘需要量和质上都符合要求的数据库，因此除了将来源、格式、特征与性质都不尽相同的数据存入数据仓库，还需要采用适当的数据规约技术，将数据集规约成为比原数据集小但仍能保持完整的数据集，纳入计算后得到的结果应当与规约前执行的结果相同或近似。由于在信息收集的过程中必然会存在数据不完整（某些属性缺少数值）、含噪音（某些属性值是错误的）与不一致（同样的信息表达方式不同）等问题，因此需要进行数据清理以免影响挖掘效果。最后，根据数据仓库中的数据信息，选择合适的分析工具，得出有用的分析结果。

（四）分析建模

在得出数据挖掘结果之后，就需要从需求角度，对其进行评估与模式识别。当前，完全脱离人类进行这一步骤是不可能的，必须纳入专家知识，这使得那些对艺术进行定性研究的优秀成果都可被借鉴，只是需要对数据进行转化，将含有隐藏意义的不确定的描述与分析，转化为具有量化特征或标签特征的语言，以供机器使用。

影响艺术信息的因素既多且复杂，在分析过程中需要使用能够研究多个自变量和因变量关系的多元分析。多元分析又称多变量分析，主要采用三类方法：第一类方法包括多元方差分析、多元回归分析、协方差分析。这类方法可以用来研究确定的自变量和因变量之间的关系。比如以不同的灰度级别与色彩层次数表现同样图像，对人识别图像含义的速度的影响。第二类方法包括判别函数分析与聚类分析。判别函数又称决策函数，是对样本进行判断的准则函数。聚类分析是将数据进行分类，类别内保证同质性高，类别间保证异质性高。与分类分析不同，聚类分析并不给定划分的类别、规则和模式，而是在无监督的状态下，进行簇或类的搜索，识别模式，发现规则，这是一种探索性的分析，人工智能能在这一过程中提供优于人脑的计算效率。第三类方法包括主成分分析、典型相关与因素分析，用来研究如何用较少的综合因素代替数量较多的原始数据。如将艺术传播媒介纷繁众多的特征提取为若干特征进行分析。综上所述，虽然将人工智能纳入艺术传播的应用和研究并不容易，但缺乏定量研究将直接影响信息时代的艺术传播效率与速度，因此即使困难却也必须。（责任编辑：帅慧芳）