诗词是中华民族的文化瑰宝。不论是“长风破浪会有时，直挂云帆济沧海”的豪迈，还是“月上柳梢头，人约黄昏后”的婉约，不论是“衣带渐宽终不悔，为伊消得人憔悴”的刻骨深情，还是“肝胆洞，毛发耸，立谈中，死生同，一诺千金重”的男儿义气，诗词伴随着中华文明走过了五千年的风雨历程。
诗词为什么有如此强大的精神感染力？一个很重要的原因可能是情感与音律的共振式表达。我们知道诗词都是有一定格式限制的，这些限制包括字数、节拍（律）、合音（韵）等，这些限制使句子具有音乐美感。另一方面，每一首能够传承下来的名篇佳作都充满了作者的真情实感，因此很容易让读者有身临其境的代入感。基于诗词的上述特点，诗词创作具有极高的挑战性，只是极少数才情俱佳的诗人才能写出打动人心的作品。想要机器写出一首好诗来，还是很困难的。
如果把诗词创作比作跳舞的话，第一步首先需要按规则把动作摆出来，然后才是熟练和优美。因此，早期的诗词生成方法多是机械式的，以能按格律要求生成连贯的句子为主，缺乏对词句语义的理解。近年来，基于深度学习的自然语言处理技术兴起，以语义为基础的诗词生成方法逐渐成为主流，极大提高了生成的自然度和连贯性。
1. 机械式诗词生成方法
早期的生成算法大多解决“诗言诗语”的问题，即按格律要求，将合适的字和词按合理的顺序组合起来。典型的是词句拼凑法：给定一个主题，在大量现有诗词中搜索相关句子，将这些句子打碎后，挑选可以连接在一起的片段，基于诗词规则组合起来，即生成一首新诗。
拼凑法的基本理念是“熟读唐诗三百首，不会作诗也会吟”，只要见过的样例足够多，就可以通过对已有样例的重组来生成新诗。然而，这种机械拼凑的方法显然过于机器化了，既没有对句子意思的理解，也没有对规则的学习，因而生成的诗有明显的“破句”，且语义不清晰，不连贯，欣赏价值较低。
2. 统计模型法
为了提高句子的流畅度，研究者提出各种概率模型方法，其中统计机器翻译模型（SMT）最具有代表性。在这种方法里，从一句诗到下一句诗被认为是个机器翻译过程，这一过程既考虑了句子间的对应，也考虑了生成句子的连贯性，因此在一定程度上提高诗词生成的质量。然而，这一方法仅利用了字面上的统计规律，没有形成对语义的理解，生成的诗句依然有明显的斧凿痕迹。图2给出微软的SMT系统生成的一首诗，其中输入的主题词为“醉”。
图1：基于SMT的诗词生成，主题词为“醉”。图片来自微软的SMT线上作诗系统（http://duilian.msra.cn/jueju/）。
3. 基于深度神经网络的诗词生成
机械式生成方法对语义缺乏理解，生成的诗词语义连惯性不强，容易出现没有意义的“破句”。近年来，深度神经网络（DNN）的出现使得对句子进行语义编码成为可能，由此启发了基于深度学习的诗词生成方法。和拼凑法不同，该方法将用户想要生成的内容通过DNN映射到一个语义空间，基于该空间中的语义表达进行诗句生成。
2014年，爱丁堡大学的Zhang等人首先提出了基于神经网络的古诗生成方法[1]。他们首先用拼凑法生成第一句诗，之后以第一句诗为条件，利用一个递归神经网络（RNN）一步步生成余下的句子。上述生成过程是分步式的，不利于扩展到宋词等较灵活的体例。Wang等人提出了基于注意力机制的序列对序列模型来解决这一问题[2]。这一模型将整首诗看成一个完整的汉字序列（包括断句符号），利用RNN逐字生成整个序列。图2是基于该模型生成宋词的一个例子。
图2：基于序列对序列模型生成的宋词
2016年3月，清华大学语音语言技术中心做了一组实验，实验中该中心研发的作诗机器人“薇薇”和一些网络诗人就同一主题进行创作，并邀请北大、社科院等单位的诗词专家进行品评。实验结果发现，在得分最高的十篇作品里，薇薇的作品占了三篇，而且得分最高的一首作品正是薇薇创作的。同时，该研究还发现，薇薇的作品中有31%被专家认为是人写的。因此，研究组宣布薇薇通过了图灵测试。
近两年来，基于神经网络的诗词生成方法取得长足进展。得益于大量诗词数据的积累，当前诗词生成已经比较成熟，出现了包括“九歌”在内的优秀做诗系统[3]，至少生成较为平顺的句子是没有太大问题了。然而，诗词本质上还是个人情感的表达，只会生成应景的平顺句子还无法达到优秀诗人的境界。如何让机器生成真正具有创造性的诗句，这不仅是诗词生成本身的问题，更是对人工智能边界的探索，还需要仔仔细细去研究。
参考文献：
[1] X. Zhang and M. Lapata, “Chinese poetry generation with recurrent neural networks,” in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 670–680.
[2] Qixin Wang, Tianyi Luo, Dong Wang, Chao Xing, "Chinese Song Iambics Generation with Neural Attention-based Model", IJCAI 2016
[3] https://jiuge.thunlp.cn/
By：清华大学 王东