佛山机场又增新航线　这次飞得起来吗？

可以看到，不定义这个函数时，点击右上角会出现当前页面未设置分享的提示。

这些做法奠定了她品牌发展的基础，也在SHEIN上逐渐积累了属于自己的粘性粉丝。正当二人一筹莫展之际，SHEIN的招商经理提出，工厂具有先天性的价格和响应速度优势，可以尝试SHEIN平台推出的出海代运营模式。

对于诸多出海经验不足的企业来说，前期只负责研发产品，其他部分交给SHEIN仿佛就已成功了一半。作为一个桥梁，SHEIN不仅帮助到更多优秀的中小企业、品牌和产品走向世界，提升中国智造的形象，SHEIN的供应链整合以及助力产业升级，也反哺了制造业的人才发展与培养，带动了国内贸易出口、生产制造、仓储物流、交通运输等上下游一大批行业，以及百万级人员的就业发展。福建晋江生产出全球六分之一人口的运动鞋，年产超过10亿双。周思齐在广东惠州的工厂，多年来供货给广州的线下档口，根据客户需求生产。山东老板秦立刚也是其中之一，从月薪800五金磨具的学徒，如今已是年入4000万人民币的老板。

李瑞和王莉夫妻的成立鞋厂有十多年的时间，员工有300-500人规模。例如，李瑞开发的某款纹理不规则的嘻哈风格运动鞋，成为了当季爆款。抖音治理负责人王跃宇此前直接向浦燕子汇报，这位新高管入职后，王跃宇将汇报给 Z，Z 则汇报给浦燕子。

网独家获悉，抖音生活服务近期引入一位新高管 Z，负责治理和服务业务2018 年，王跃宇加入字节，参与商业分析等战略方面工作。此时，抖音引入一名拥有丰富平台治理的人士也算是在意料之中。今年以来，浦燕子接管抖音生活服务后，进行了大规模调整。

除了人员变动以外，雷峰网(公众号：雷峰网)还了解到，浦燕子在本周或召开一次颇为重要的定调会，对抖音本地生活接下来一年的目标、方向等做出具体安排。此前，王跃宇曾先后供职于百度、腾讯。

向 Z 汇报的王跃宇在字节工作超过 5 年。随着业务规模的更加多元，抖音生活服务面临的治理问题或许也将更加复杂。浦燕子接管后，将其重组为北、中、南三大区，以及 NKA 部门（服务全国连锁大商户）。过去，抖音生活服务一直是按行业划分为到店餐饮、到店综合、酒旅三大平台

在孙悦看来，短视频能在一定程度上弥补教育资源的鸿沟和信息的差距，给更多人提供一个相对平等的窗口。她称自己是制造窗口的人，希望能够在抖音，和数千万人彼此启发，彼此支撑，共同成长。网(公众号：雷峰网)了解到，95后女孩孙悦将读书兴趣变成工作，在抖音分享并推荐图书，靠一条视频带动《孩子读得懂的山海经》售出9万多套，而她自己的书《回家：14年又57天》也在抖音电商备受欢迎在孙悦看来，短视频能在一定程度上弥补教育资源的鸿沟和信息的差距，给更多人提供一个相对平等的窗口。

网(公众号：雷峰网)了解到，95后女孩孙悦将读书兴趣变成工作，在抖音分享并推荐图书，靠一条视频带动《孩子读得懂的山海经》售出9万多套，而她自己的书《回家：14年又57天》也在抖音电商备受欢迎。她称自己是制造窗口的人，希望能够在抖音，和数千万人彼此启发，彼此支撑，共同成长

第二种，通过同一个sensor采集数据后再做多模态，例如通过麦克风可以采集到用户的语音、声纹特征，进一步分析文本，来做多模态。嘉宾介绍魏清晨，翼开科技EmoKit创始人，目前全面负责EmoKit公司的战略规划、运营管理、团队建设，团队里两名核心科学家均为海归博士后。

不过刚才也讲到，这两类在发展到一定程度时候，会存在瓶颈。如何优化？可以通过半监督学习的方式，来进行自我训练自我校正。Q：有采用脑电波的模态数据吗？A：国外做这一块的研究有很多，我们现在认为脑电sensor还不是消费终端的标配，采集脑电要专门的sensor，目前只用在特殊的行业，还没有做通用算法的开放。另外，越早做多模态越好，越多的模态拟合越好。即使你是一个专业的医生，看完一段心率图也无法确定测试对象心率变化的原因（开心、焦虑、愤怒）。精彩问答Q：语音、图像这些不同的模块怎么在系统里面协调工作？A：其实就是一个多模态的算法，有两种实现的方法：本身数据就是多模态的数据，然后做标注，做完玩标注就可以通过深度学习的方式来做训练。

我们认为可以从三个角度来理解情感计算：第一，情感计算可以帮助AI来识别用户的情绪。第三，情感计算可以让AI产生自我约束能力（同理心）。

应用场景目前翼开科技和环信展开了合作，环信有IM沟通工具，这里面包含了语音、表情和文本等信息，我们对其开放了绑定的SDK，可以通过语音等信息来判断用户的情绪。情感计算技术实现的路线目前翼开科技和中科院心理所、清华大学心理系和美国卡内基梅隆大学语言技术研究所。

没错，当你在渴望get读心术技能的时候，机器已经能完美的实现了。例如，翼开科技2011年上线的一款应用就会给用户推荐诗歌、书法、音乐等等，后来在音乐内容上做得更加深入，我们通过分析音乐的音高、节奏、旋律和音强，3分钟的歌曲会采集6000个数据点分，根据这些信息来给歌曲打情绪标签。

第二个工作就是把语音、表情和视觉的行为、文本做一个多模态的拟合。未来，从情绪到情感，是人工智能未来前进的方向。心率和语音基于专家模型也存在瓶颈，现在的解决办法是建立一个个体用户强化训练的模型（一个用户测得越多，模型会越贴合被测用户的特征）。因此，表面上有两条技术路线，但实际上这二者是相互融合的。

Emokit先后获得美国麻省理工学院举办的MIT-CHIEF全球创业大赛中国区第一名，芬兰Slush World 2014全球创业大赛名列第一，工信部和全国科协2015全国移动互联网创业大赛特等奖，清华大学H+Lab幸福科技全球挑战赛冠军。两种信号做综合的多模态分析可以提升情感判断的准确度。

第一代我们通过量表测评，第二代加入了心率和呼吸，第三代针对个体增加了纵向的学习和训练，第四代我们对情绪做了一个细化（从原来的5中情绪增加到了24种），第五代加入了表情和笔记的情绪识别，第六代主要做两块工作：一个是判断了用户的情绪之后，基于单一的事件背景进一步识别用户的意图。我们把反应情绪的信号分为两类，一类是浅层信号，如语音、表情。

Q：目前的准确率有多高？多模态的模型有相关的paper吗？A：语音和心率是基于专家模型的，这个精度会低一点，在85%左右，表情在90%左右（但是表情只有7中情绪）。2.即便完成了情绪类型的标准，但你无法确认情绪的真伪。

浅层信号更容易采集，但权重不高。现在已经标注过得音乐数量超过了160万首，另外，像图片、视频都是可以通过用户的情绪来做内容匹配，最终达到缓解情绪的目的。举个例子，如果送餐机器人只会识别菜和客人，这是基础服务。还有一类是深层信号，完全受交感神经和副交感神经的影响，主观意识很难控制。

深层信号权重高，但采集难度比较大。例表情面临的瓶颈有两个：1.普通人标注人脸表情的颗粒度一般是6-8种情绪，很难识别更细的（24种甚至是一百多种）。

另外，可以根据用户反馈来判断，把系统测试的结果反馈给用户，让用户来给出最终验证。为什么会用深度学习来做表情的识别？现在做深度学习的瓶颈在于大量标注过的数据，不过表情标注会相对比较容易，一张人脸只判断喜怒哀乐，一般情况下1秒就可以识别出一个人的表情，如果有几十万张表情图片，用众包的方式所需的时间和费用都不会很大。

以下内容整理自本期公开课，雷锋网做了不改变愿意的编辑：情感计算的模块和价值就我们现在在做的事情来看，我们把情感计算分成3个模块：第一部分是情绪识别，通过语音、心率、表情和写字过程中压感和速率的变化来判断用户的情绪。另外，我们现在还和科大讯飞有合作，合作的方式主要是相互交叉授权，通过绑定版的SDK，科大讯飞来识别语音，翼开科技来判断情绪。