不二 @[email protected]

​​​​​​​​​​​​​​​​​
​​​​​​​​​​​​​​
​​​​​​​​​​​​​​
​​​​​​​​​​​​​​​
​​​​​​​​​​​​​​​
​​​​​​​​​​​​​​​​​
​​​​​​​​​​​​​​​​​​
​​​​​​​​​​​​​​
​​​​​​​​​​​​​​

今晚跟家属分析了下她的 Ins 账号数据和市场路线，忽然意识到其实自媒体这件事情本身还是有让我感兴趣的地方的。所谓能精准打造爆款的神力「网感」，其实就是在大量观察和实践积累中提炼出逻辑和洞见，这种将数据系统化抽象化并转为规律其实就是我最擅长的，也是我本职工作中最享受最有挑战的部分。

反思了下觉得我以前太过专注在创作这件事本身上了。一根筋地想着只要我闭门做出好内容干货就行，别的什么都不用管，但这其实辜负了自媒体这个新形态的定义。自媒体的「自」就代表着它是一体两面的：你既是创作者，又是自己的管理者、运营者、销售者。虽说今天互联网时代已经基本不存在怀才不遇的事了，but that's not the point anymore。怀了多大才，能换来、遇上多大的流量和资源，寻找这种转化率的最优解才是自媒体的核心所在。

而这也是我觉得单枪匹马搞自媒体最大的难处——传统的运营、销售这些岗位是承受着直面客户的巨大压力的，跟优秀创作者所需的基本是不重合的两套性格和技能。当两者被迫合在一起时，很可能会因为压力无法调解而失衡以至于两边皆输。作品在网上偶然疯传后因被网暴而放弃创作的失败例子太多了，包括我。

一张已经模糊的网图，足以见得，它在传播过程中被无数次下载和上传，穿越过无数的群组和对话，产生了无数的共情与戏谑，最终漂流至此。

历史并不一定只是物质层面的，不一定总能被准确的捕捉、测量和表现。它也可能是我们一闪而过的想法、我们模糊的记忆、跳动的情绪，因为这些都是特定时空的产物，发生在我们脑中。

这就是互联网的情感溃坝，它创造了一个无比真实的历史瞬间。一支穿云箭，万箭穿万心。

#论文导读 @mature
机器一旦幽默起来，可不是开玩笑的
https://hdsr.mitpress.mit.edu/pub/wi9yky5c/release/2

这篇综述论文介绍了计算幽默学computational humor。虽然别的动物也有会笑，但是似乎幽默是一种人类特有的能力。至于人类为什么能欣赏和生产幽默，一般认为“不协调性”incongruity是幽默的元素，也就是说叙述的不协和矛盾点恰恰制造了笑料。其中比较广为接受的“不协调-解决”理论
incongruity-resolution（简称IR）把幽默简化成了两个部分：制造不协调（铺垫），再解决它（抖包袱）。这个模型给出了制造笑话的配方，适合机器来学习和生成笑话。文中举例的IR笑话胜“Two fish are in a tank. Says one to the other:“You man the guns, I’ll drive.””，这是个谐音梗，翻译过来大概是“两条鱼在鱼缸(tank坦克)里，一条说，你装炮我开车”，这个叙述乍看起来有矛盾，我们的大脑反应过来原来鱼在坦克而不是鱼缸里的时候，“解决”矛盾产生了快感，是为幽默。

计算幽默学目前主要有三个大用途，一是给笑匠们提供支持帮助，比如自动联想双关语，谐音梗，提供点子，翻译笑话，或者计算笑话的铺垫时长。二是对话机器人需要幽默感来让人类用户感到亲切，比起预先写好的罐头笑话（题外话，siri说的是你），如果能够自动生成笑话更容易被人类当作朋友。三是对于幽默机制的研究本身就需要大量的笑话语料，用来对比测试分析，如果能自动生成这些笑话就最好不过了。

好了，怎么生成笑话呢？九十年代开始的一众论文使用了“填空”的形式：给定一些笑话句式，机器通过近义词反义词来填空，比如铺垫是“什么东西既xx又yy”，包袱是“一个zz的ww”。后续有人让孩子给这些机器笑话打分，最高分的是这个“What's the difference between leaves and a car? One you brush and rake, the other you rush and
brake. ” 额，全是谐音梗，扣钱。

另一种“填空”式机器笑话是“类比”笑话，比如这个“我对咖啡和战争的喜好相同：冷”...近几年的新进展是用生成对抗网络（GAN），一边生成类比笑话，一边给自己打分，来进行训练，这个任务还是比较简单的。

还有一类机器笑话是“改词”，也就是把一句普通的话改一个词变得搞笑，其实就是通过相关性搜寻谐音梗，比如“我昨天不小心吞了墨水，I dyed(died) a bit inside”，这论文全是谐音梗，看得我脚趾头痒痒

现有的大型语言理解模型，比如GPT2，GPT3模型和BERT，让更多的机器笑话成为了可能。甚至可以生成整个standup台本。不过网上好笑的例子都是百里挑一挑出来的，大部分生成的文本可能并不一定有趣。问题在于，这些大模型实质上把词汇含义嵌入在某些空间里理解，而并没有对应具体的拼写，所以很难找寻如上面几个例子的谐音梗(dye-die,tank-tank)，GPT2笑话大部分是以“怪”取胜，比如“鸡被卡车撞了之后说了什么？它说“哦我没事”。”GPT3稍微好了一些，可以生产很多自涉笑话（https://www.gwern.net/GPT-3#tom-swifties ） 近年的Transformer模型也提供了更多笑话来源，但是笑点也是奇怪。那么问题来了，怎么评判这些笑话好不好笑？

这就是计算幽默学的另一个课题：发现和评估幽默。虽然有很多模型能够区分正常语句和一句话笑话，但并不代表机器学会了辨别幽默性，比如机器看到”食人族“，“酒吧”这些词就直接判断成笑话，准确率也可以很高。更好的办法是从同样的语料库提取“正常”和”幽默“语句，有人用了TED Talk的视频制作了训练数据集。在这项任务上Transformer模型表现非常好，可以学到一些幽默感了。

最后，作者也指出了一个我一直如鲠在喉的问题——这个领域研究的大部分都是英文笑话，而且种类很有限（自反和谐音梗笑话让我想到微博上的“弱智吧”这个号）。我很好奇别的语言语境下能否生成好笑的笑话。相关论文我找到了台湾研究人员用ptt语料做的训练的幽默识别模型，没见到过中文笑话生成器。更深层的问题是，我觉得IR模型可能无法解释一些更隐晦的笑料，比如苏联笑话。单凭“读万卷书”训练来的模型所缺少的，可能恰恰是理解这些笑话所需要的生活经验

做了一个画黑猫教程，快来试试吧！