新智元报道

来源：Arxiv

编辑：闻菲

自从有了表情包，跟人聊天时的第一反应，就是去找找看有什么适合的表情。

有一类表情包，形式是文字+图，尤其能够精妙地抒发和传递感情。

在这一点上，可能全世界的网友都一样。

好用的表情永远不嫌多，而且似乎总是不够用。

怎么办？

好在我们有深度学习。

表情包，一个天然的图说生成问题

斯坦福大学的Abel L. Peirson V和E. Meltem Tolunayl，在这一期斯坦福深度学习自然语言处理课程CS224n的期末作业中，提交了一个表情包生成器，使用深度学习，制作“图片+文字”型的表情包。

下面这些都是他们的系统自动生成的结果。不得不说，深得表情包制作精髓。

这个表情包生成器的基本的框架是一个编码器-解码器图说生成系统，先进行CNN图像嵌入，然后用一个LSTM RNN进行文字生成。

其中，编码器的目标是要给出一个有意义的状态，让解码器开始进行文字生成。他们使用在ImageNet上预训练的Inception-v3做为编码器模型，并将最后一层隐藏CNN作为编码器的输出。当表情包模板进入Inception模型后，输出是一组长度固定的向量，也即图像嵌入，能够反映图像的内容。这个图像嵌入之后会被投射到词嵌入空间里，方便后续文字生成。

他们一共尝试了3种不同的编码器模型，最简单的一种只输入图像，另一种输入图像和标签，最后一种的输入也是图像和标签，但使用了注意力机制。至于解码器，都是一个单向LSTM。这样搭配组合成了3种编码器-解码器方案。下图展示了第二种方案的模型。

学习40万个表情，幽默程度媲美人类

数据集是这个表情包生成器的精髓。他们的数据集由大约40万张带标签和图说的图片组成。其中有2600个独特的图像-标签对，是他们写Python脚本从Memegenerator.net中获取的。一张图片对应一个标签，标签是对这幅图的简单描述，而每张图都与很多不同的图说（大约160个）相关联。

下图展示了数据的样本：

在训练前，他们还针对图说中的标点、格式和某些词出现的频率等进行了预处理。

训练的结果，深度学习生成了各种表情：

系统看过的图像（左边4张）的输入标签是来自训练集的标签，而对于没见过的图像（右边4张），我们使用的句子是“AI是新的电力”。

从语法、搞笑程度和可区分性（分辨是人制作的还是深度学习生成的）几个维度判断，深度学习表情包生成器取得了不错的效果。尤其是搞笑程度，因为这一点是制作表情包的初衷，普通表情包的搞笑程度7分（满分10分），深度学习生成的表情包最高达到了6.8。

两位作者指出，幽默是很难评判的事情，本身就是一个很深的研究领域。他们的这项工作十分基础，接下来如果能构建出能够自动断句的表情包生成器（就是自动判断图片上方和下方两行文字从哪里断开），将会是一个很大的进步。（因为使用的都是网络热图，因此数据含有性别歧视和不文明的成分。）此外，探索视觉注意力机制在表情包生成中的作用，也是一个不错的研究方向。