快手AI技术副总裁郑文：AI技术该如何赋能短视频？

　　报道：光靠人工运营很难达到针对每个人的服务，需要通过人工智能技术，特别是近几年有所突破的深度学习技术来实现。

　　“作为一个日活超过1.6亿的短视频APP，快手的使命是‘用科技提升每一个人独特的幸福感’。而光靠人工运营很难达到针对每个人的服务，需要通过人工智能技术，特别是近几年有所突破的深度学习技术来实现。”在清华大数据论坛上，快手AI技术副总裁郑文如此表示。

　　据悉，目前快手是通过记录来提升幸福感的，这可以从两个方面来体现。首先，用户希望能看到更广阔的世界。第二，用户也有分享自己，被更广阔的世界看到的需求。

　　不过这将面临一个挑战，现在快手累计拥有超过 80 亿条视频与数亿用户，在这两个海量的数字面前，如何有效分配注意力？过去，注意力一般会集中在所谓的“爆款视频”里，但在爆款视频之下，还有大量可能包含了非常丰富的信息、类别多样化的内容，这种“长尾视频”往往很难被别人注意到。如此，一些需求小众，或者兴趣比较细分的群体往往很难找到他们想要的内容。

　　郑文说道，这个挑战决定了快手必须要依赖于深度学习为主的AI技术来解决该问题，代替人工实现内容匹配的分发。比如，快手希望通过 AI 技术使得记录更加丰富有趣，基于这个目标，其开发了大量多媒体和 AI 技术，如背景分割、天空分割、头发分割，人体关键点、人脸关键点、手势关键点检测等等，并将它们应用在魔法表情中。

　　此外，为了将内容质量变得更高，快手还研发并应用了很多图像增强技术。例如，用户在光线很暗的环境下拍摄，产出的视频往往会丢失信息和细节，通过暗光增强技术，可以将这些细节恢复。

　　据郑文介绍，快手近期在内容生产方面研发了一些具体的深度学习技术。比如，三维人脸技术能够针对单张人脸图像恢复出人脸的三维信息，一方面可以实现对人脸的一些修改，比如打光、做一些表情、实现三维变脸特效；另一方面，通过三维人脸信息，我们可以提取出人的表情变化，然后把表情迁移到虚拟的卡通形象上，效果类似于 iPhoneX 推出的 Animoji 功能，但 iPhoneX 有结构光摄像头，且运行 Animoji 需要很强大的算力，我们通过技术研发，在普通摄像头、配置较低的手机上也能实现类似功能。

　　在音视频方面，快手还应用了很多智能算法，比如需要视频尽可能清晰，但同时也要求传输流畅，这就需要针对视频复杂度做一些自适应优化。另外，快手也会对图像进行分析，比如视频里面人脸的区域往往对大家的观感影响最大，就会把人脸的区域检测出来，将码率做得更高，使得整体观感获得很大的提升。

　　“内容生产环节完成后，视频会被上传到后端服务器，这里我们需要对视频内容进行更深层次的理解。视频的内容理解会用在很多方面，比如内容安全、原创保护、推荐、搜索、广告等等，这里大概分为两个阶段。”郑文说道。

　　首先是感知阶段，机器会从人脸、图像、音乐、语音四个维度对视频信息进行理解。

　　人脸是一个很重要的维度，因为人脸往往包含了人所关心的最主要的部分，快手会对人脸区域进行检测，识别年龄、性别、表情等；另外一个维度是图像层面，其会对图像进行分类，如图像的场景是什么；此外也会检测图像中有哪些物体，还会进行图像质量评估，以及利用 OCR 技术从图像中提取文字；而音乐是影响视频感染力很重要的一部分，其可以从视频里识别出音乐类型，甚至可以对音乐进行结构化分析，分离伴奏和歌唱部分；在语音方面，快手会把语音识别出来转化成文字，也会通过语音去识别人物的身份、年龄、性别等等。

　　第二个阶段是推理阶段，在操作上，快手会把这些不同维度的信息进行多模态融合，推理出更高层次的语音信息，或者对视频进行情感识别。其中也会用到知识图谱技术，把视频里的知识存储在知识图谱里表达出来。通过知识图谱的推理，能够得到一些更高层、更深入的信息。

　　“在内容理解方面我们也做了一些比较具体的技术，如快手开发了一套视频标签系统，可以对视频里出现的大多数内容和场景进行分类。在快手语音识别功能模块，我们采用深度学习算法，结合上下文语境模块，使得识别精度得到很大提升。”郑文强调。

　　一方面，需要理解视频内容，另一方面，也需要对用户进行理解，包含用户公开的年龄、性别等信息以及用户在实时使用快手时产生一些行为数据。这些数据都会传送到后端的深度学习模型里，训练出对用户理解的向量。通过这些向量，便可以预测用户的兴趣以及他与其他用户之间的关系。