非监督式机器学习（unsupervised learning）又被称为聚类（clustering），指对未标记（unlabedled）的数据进行分析，获取结论的机器学习（人工智能）。所谓未标记的数据即指未被分类（classfied）或归类（categorized）的数据。最为常见的非监督式机器学习就是进行数据的聚类分析，用于将相似的数据自动地分到同一组当中（automatic grouping）。在传统的社会科学（包括传统传播学）研究方法中并不包含非监督式机器学习。但是，在计算社会科学领域（computational social science），非监督式机器学习（或聚类）是一种常见的研究方法，既可以运用于探索性研究，也可以运用于描述性研究。对于传播学的研究对象而言，非监督式机器学习可以对传播者、传播受众、传播媒介、传播讯息、传播效果进行分别聚类，为进一步的研究提供参考。
对于智能生成塑传（即新塑传）的应用实践而言，对传播媒介的塑造和对传播讯息的塑造是其两大核心任务。非监督式机器学习除了可以对上述拉斯韦尔建立的5W传播模型描述的传播组成部件进行聚类（自动化分组）外，更为重要的是，可以对传播讯息的智能塑造提供实操性支撑。事实上，非监督式机器学习已经充分融入诸如新媒体艺术（new media art）、生成艺术（generative art）、智能融合音乐（intelligence fusion music）、算法作曲（algorithmic composition）、计算机音乐（computer music）等诸多领域的实践应用当中，塑造（智能生成）出了大量受传播受众欢迎的、产生良好传播效果的传播讯息。
从本质上说，非监督式机器学习是为了拟合一个函数，用于描述未标记数据的结构。换而言之，非监督式机器学习可以识别被学习对象的结构模式（structural pattern）。随着基于人工神经网络（Artificial Neural Network，ANN）计算机仿生隐喻的深度机器学习算法的突飞猛进，以及基于云计算虚拟化的计算机计算和储存能力的大幅度提高，深度生成模型（deep genrative models）大大提升了非监督式机器学习把握被学习对象的结构模式的能力。(www.xing528.com)
基于深度生成模型，智能生成塑传者可以对过往经验中的传播讯息（如文字、图像、音乐、影像）进行解构，充分识别当中的结构模式，再创造性地运用这些习得的模式，重新建构（塑造）出全新的传播讯息。这一基于非监督式机器学习的智能生成塑造传播讯息的过程，既关注、尊重过往经验中传播讯息的内容和形式的传统模式，又基于其进行了开拓创新；既依托人工智能（非监督式机器学习），又运用人类智能，进行了智能融合。下面针对基于非监督式机器学习的听觉传播讯息（如音乐传播讯息等）和视觉传播讯息（如图像传播讯息、关于时尚的传播讯息等）的智能生成塑造应用实践进行具体阐析。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
