彩票开户| (2023已更新(网易/百科)v8.8.8

付费像“套娃”，看电视为啥成了闹心事儿？******

　　文/杨宏伟

　　你有多久没有打开过电视了？近期，演员李嘉明发视频指责电视收费乱象。同时，李嘉明称自己已经三年没有打开电视了。“花大几千买的电视看不了，打开全要收费、要包月VIP。”一番真切吐槽，激起无数网友呼应。

　　目前在智能电视上追剧，总共分几步？有网友表示，首先要装宽带、然后装机顶盒，然后阅读冗长的会员须知，开通影视平台的会员。最后发现，要看的资源可能还需单独付费。

　　坐在沙发上累了，你准备躺在床上用手机接着追。又发现同一平台的电视端、手机端、平板端的权益并不相通，需要各付各的费……加上广告弹窗，幼儿内容单独开通会员，超前点播等一系列圈钱套路，杂乱无序的电视APP经营现状，用户体验真的糟糕透了。

　　客厅里的广告位

　　和传统电视不同的是，智能电视可以通过卖电视，卖广告位，卖会员，卖内容来盈利。电视已经成为摆在客厅里的广告位。销量越高的智能电视，广告收入也就越多。同时，智能电视还接纳各大第三方视频平台的入驻，造成了如今智能电视自有平台、内嵌APP、用户安装的第三方视频平台齐聚一堂，“套娃”式收费，“多次收割”的混乱现状。

　　“套娃”式收费行为违法吗？

　　北京云嘉律师事务所律师赵占领对国是直通车表示，如果影视平台对于会员或者其他收费服务的使用范围存在虚假宣传，则构成欺诈，消费者可以要求退一赔三。如果不存在不实宣传，则不违法。

　　赵占领认为，影视平台的会员服务协议存在内容过于冗长和晦涩难懂的问题。很多普通消费者在购买影视会员服务前没有仔细阅读“会员须知”的习惯，导致消费者会认为购买会员服务后可以一劳永逸的享受所有平台资源，这是产生消费纠纷的关键原因。

　　他认为，尽管只要不存在虚假宣传可以进行多次收费，但从实际保护消费者权益角度而言，商家应在销售会员服务前，在关键显著位置，以简洁易懂的方式让消费者真的知悉会员服务的内容和使用范围，做到让消费者真正知情。

　　“套娃”式充会员消耗消费者信任

　　北京京都律师事务所合伙人常莎认为，近年来，随着版权保护意识的加强，消费者已能够接受内容付费模式，但因尚无法律法规或者国家标准、行业标准对电视会员业务予以规范，这导致其一定程度上处于“野蛮生长”的状态。“套娃”式会员收费不仅影响消费体验，也会消耗消费者的信任，长此以往会动摇付费观看的根基，不利于行业良性发展。

　　浙江大学国际联合商学院数字经济与金融创新研究中心联席主任、研究员盘和林则表示，“越来越多的用户已经不再看电视了，电视产业也走向下坡路。”

　　他认为，这种“套娃”式付费是利益驱动的结果，是想以电视这一客厅娱乐为入口，来实现用户附着和用户流量变现。但这种行为要适可而止，无止境的攫取用户价值，最终只会损失用户口碑，“毁口碑容易，重新培养用户消费习惯很难，业内的企业要权衡利弊”。

　　看电视怎样不“闹心”？

　　对于让用户闹心的智能电视会员体系，盘和林认为，第一，电视平台应尊重用户的选择，用户不买会员也应该能够使用基础功能，收看基础内容；第二，用户内容价值要和用户付费相匹配。比如，有些课程当前的确是知识付费的，制作方需要用收费来维持创作热情，那么这些收费无可厚非。但因为渠道播放方要额外创收或者捆绑销售而造成的收费，则应该严令禁止。

　　常莎认为，学会倾听用户的声音，不断提升电视产品的友好度，才能实现口碑和市场双丰收。改善这个问题需要加快制定相应的行业标准和规范，让会员收费更合理。同时，要尊重消费者的感受，探索建立多个用户端互相兼容的电视会员体系，并丰富视频资源内容，让消费者不再“套娃式充会员”。

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）