AI匹配的伴侣，是真正合适的伴侣吗？

假如AI能够帮助匹配合适的伴侣，它当然是利用数据分析和算法来评估人们的兴趣、价值观、个性特点等方面的匹配程度。通过分析大量的数据和个人信息，AI可以提供更准确的匹配建议，并帮助人们找到更符合他们需求和偏好的伴侣。

这种AI辅助的匹配过程可能会提供更多的选择和筛选机会，节省人们在传统方式下的时间和精力。AI可以根据个人的喜好和要求，对潜在的伴侣进行匹配和推荐。这可能包括共同的兴趣爱好、生活方式、价值观以及互补的个性特质等方面的匹配。

然而，重要的是要意识到，AI只是一种工具，它的匹配建议是基于数据和算法，无法完全捕捉到人类情感和复杂性。真正的关系建立需要更多的因素，如亲密度、相互吸引、共同成长和沟通等。最终，决定与伴侣建立关系的选择应该是个人自主的，而AI的作用应该是辅助和提供参考。

其实归根结底现在AI的应用还不全面随着科技的发展必将走进人们的生活的方方面面，但是我觉得用AI来匹配合适的伴侣，这有点离谱，我大概率会做一个观望者，不会首先去试，因为我觉得即使他匹配了。符合我要求的伴侣，但对方百分之百是不会喜欢我的，所以我也不想做这种无谓的打脸的事情。

NLP 是什么？

NLP 是计算机科学领域与 人工智能 领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的学科。NLP 由两个主要的技术领域构成：自然语言理解和自然语言生成。

自然语言理解方向，主要目标是帮助机器更好理解人的语言，包括基础的词法、句法等语义理解，以及需求、篇章、情感层面的高层理解。

自然语言生成方向，主要目标是帮助机器生成人能够理解的语言，比如文本生成、自动文摘等。

NLP 技术基于大数据、知识图谱、 机器学习 、语言学等技术和资源，并可以形成机器翻译、深度问答、对话系统的具体应用系统，进而服务于各类实际业务和产品。

NLP在金融方面

金融行业因其与数据的高度相关性，成为人工智能最先应用的行业之一，而NLP与知识图谱作为人工智能技术的重要研究方向与组成部分，正在快速进入金融领域，并日益成为智能金融的基石。舆情分析舆情主要指民众对社会各种具体事物的情绪、意见、价值判断和愿望等。

事件(Event )：在特定时间、特定地点发生的事情。主题(Topic)：也称为话题，指一个种子事件或活动以及与它直接相关的事件和活动。专题(Subject)：涵盖多个类似的具体事件或根本不涉及任何具体事件。需要说明的是，国内新闻网站新浪、搜狐等所定义的“专题”概念大多数等同于我们的“主题”概念。热点：也可称为热点主题。热点和主题的概念比较接近，但有所区别。

1 词干提取

什么是词干提取？词干提取是将词语去除变化或衍生形式，转换为词干或原型形式的过程。词干提取的目标是将相关词语还原为同样的词干，哪怕词干并非词典的词目。

2 词形还原

什么是词形还原？ 词形还原是将一组词语还原为词源或词典的词目形式的过程。还原过程考虑到了POS问题，即词语在句中的语义，词语对相邻语句的语义等。

3 词向量化什么是词向量化？词向量化是用一组实数构成的向量代表自然语言的叫法。这种技术非常实用，因为电脑无法处理自然语言。词向量化可以捕捉到自然语言和实数间的本质关系。通过词向量化，一个词语或者一段短语可以用一个定维的向量表示，例如向量的长度可以为100。

4 词性标注

什么是词性标注？简单来说，词性标注是对句子中的词语标注为名字、动词、形容词、副词等的过程。

5 命名实体消歧

什么是命名实体消岐？命名实体消岐是对句子中的提到的实体识别的过程。例如，对句子“Apple earned a revenue of 200 Billion USD in 2016”，命名实体消岐会推断出句子中的Apple是苹果公司而不是指一种水果。一般来说，命名实体要求有一个实体知识库，能够将句子中提到的实体和知识库联系起来。

6 命名实体识别

体识别是识别一个句子中有特定意义的实体并将其区分为人名，机构名，日期，地名，时间等类别的任务。   

7 情感分析

什么是情感分析？情感分析是一种广泛的主观分析，它使用自然语言处理技术来识别客户评论的语义情感，语句表达的情绪正负面以及通过语音分析或书面文字判断其表达的情感等等。

8 语义文本相似度

什么是语义文本相似度分析？语义文本相似度分析是对两段文本的意义和本质之间的相似度进行分析的过程。注意，相似性与相关性是不同的。

9语言识别

什么是语言识别？语言识别指的是将不同语言的文本区分出来。其利用语言的统计和语法属性来执行此任务。语言识别也可以被认为是文本分类的特殊情况。

10 文本摘要

什么是文本摘要？文本摘要是通过识别文本的重点并使用这些要点创建摘要来缩短文本的过程。文本摘要的目的是在不改变文本含义的前提下最大限度地缩短文本。

11评论观点抽取

自动分析评论关注点和评论观点，并输出评论观点标签及评论观点极性。目前支持 13 类产品用户评论的观点抽取，包括美食、酒店、汽车、景点等，可帮助商家进行产品分析，辅助用户进行消费决策。

11DNN 语言模型

语言模型是通过计算给定词组成的句子的概率，从而判断所组成的句子是否符合客观语言表达习惯。在机器翻译、拼写纠错、语音识别、问答系统、词性标注、句法分析和信息检索等系统中都有广泛应用。

12依存句法分析

利用句子中词与词之间的依存关系来表示词语的句法结构信息 (如主谓、动宾、定中等结构关系)，并用树状结构来表示整句的的结构 (如主谓宾、定状补等)。

1、NLTK

一种流行的自然语言处理库、自带语料库、具有分类，分词等很多功能，国外使用者居多，类似中文的 jieba 处理库

2、文本处理流程

大致将文本处理流程分为以下几个步骤：

Normalization

Tokenization

Stop words

Part-of-speech Tagging

Named Entity Recognition

Stemming and Lemmatization

下面是各个流程的具体介绍

Normalization

第一步通常要做就是Normalization。在英文中，所有句子第一个单词的首字母一般是大写，有的单词也会全部字母都大写用于表示强调和区分风格，这样更易于人类理解表达的意思。

Tokenization

Token是"符号"的高级表达， 一般值具有某种意义，无法再拆分的符号。在英文自然语言处理中，Tokens通常是单独的词，因此Tokenization就是将每个句子拆分为一系列的词。

Stop Word

Stop Word 是无含义的词，例如’is’/‘our’/‘the’/‘in’/'at’等。它们不会给句子增加太多含义，单停止词是频率非常多的词。 为了减少我们要处理的词汇量，从而降低后续程序的复杂度，需要清除停止词。

Named Entity

Named Entity 一般是名词短语，又来指代某些特定对象、人、或地点 可以使用 ne_chunk()方法标注文本中的命名实体。在进行这一步前，必须先进行 Tokenization 并进行 PoS Tagging。

Stemming and Lemmatization

为了进一步简化文本数据，我们可以将词的不同变化和变形标准化。Stemming 提取是将词还原成词干或词根的过程。

3、Word2vec

Word2vec是一种有效创建词嵌入的方法，它自2013年以来就一直存在。但除了作为词嵌入的方法之外，它的一些概念已经被证明可以有效地创建推荐引擎和理解时序数据。在商业的、非语言的任务中。

### 四、NLP前沿研究方向与算法

1、MultiBERT

2、XLNet

3、bert 模型

BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder，因为decoder是不能获要预测的信息的。模型的主要创新点都在pre-train方法上，即用了Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。

BERT提出之后，作为一个Word2Vec的替代者，其在NLP领域的11个方向大幅刷新了精度，可以说是近年来自残差网络最优突破性的一项技术了。BERT的主要特点以下几点：

使用了Transformer作为算法的主要框架，Trabsformer能更彻底的捕捉语句中的双向关系；

使用了Mask Language Model(MLM)和 Next Sentence Prediction(NSP) 的多任务训练目标；

使用更强大的机器训练更大规模的数据，使BERT的结果达到了全新的高度，并且Google开源了BERT模型，用户可以直接使用BERT作为Word2Vec的转换矩阵并高效的将其应用到自己的任务中。

BERT的本质上是通过在海量的语料的基础上运行自监督学习方法为单词学习一个好的特征表示，所谓自监督学习是指在没有人工标注的数据上运行的监督学习。在以后特定的NLP任务中，我们可以直接使用BERT的特征表示作为该任务的词嵌入特征。所以BERT提供的是一个供其它任务迁移学习的模型，该模型可以根据任务微调或者固定之后作为特征提取器。

模型结构： 由于模型的构成元素Transformer已经解析过，就不多说了，BERT模型的结构如下图最左：

对比OpenAI GPT(Generative pre-trained transformer)，BERT是双向的Transformer block连接；就像单向rnn和双向rnn的区别，直觉上来讲效果会好一些。

优点： BERT是截至2018年10月的最新state of the art模型，通过预训练和精调横扫了11项NLP任务，这首先就是最大的优点了。而且它还用的是Transformer，也就是相对rnn更加高效、能捕捉更长距离的依赖。对比起之前的预训练模型，它捕捉到的是真正意义上的bidirectional context信息。

缺点： MLM预训练时的mask问题

[MASK]标记在实际预测中不会出现，训练时用过多[MASK]影响模型表现

每个batch只有15%的token被预测，所以BERT收敛得比left-to-right模型要慢（它们会预测每个token）

BERT火得一塌糊涂不是没有原因的：

使用Transformer的结构将已经走向瓶颈期的Word2Vec带向了一个新的方向，并再一次炒火了《Attention is All you Need》这篇论文；

11个NLP任务的精度大幅提升足以震惊整个深度学习领域；

无私的开源了多种语言的源码和模型，具有非常高的商业价值。

迁移学习又一次胜利，而且这次是在NLP领域的大胜，狂胜。

BERT算法还有很大的优化空间，例如我们在Transformer中讲的如何让模型有捕捉Token序列关系的能力，而不是简单依靠位置嵌入。BERT的训练在目前的计算资源下很难完成，论文中说的训练需要在64块TPU芯片上训练4天完成，而一块TPU的速度约是目前主流GPU的7-8倍。

本次实验将加载两个数据，一个是已经标注好的用户评论数据，另外一个是用户评价主题句，通过标注过的用户评论数据进行基于集成模型的情感极性模型训练，然后利用模型对主题句进行情感极性推理，最后通过数据聚合可视化得出主题情感极性。

使用 Pandas 加载在线数据表格，并查看数据维度和前 5 行数据。

数据属性如下表所示

加载我们之前通过主题词典提取出来的主题句。

数据属性如下表所示

用户评论分词

jieba 分词器预热，第一次使用需要加载字典和缓存，通过结果看出返回的是分词的列表。

批量对用户评价进行分词，需要一些时间，并打印第一行情感极性训练集的分词结果。

批量对用户评价主题句进行分词，并打印第一句用户主题句分词结果。

依据统计学模型假设，假设用户评论中的词语之间相互独立，用户评价中的每一个词语都是一个特征，我们直接使用 TF-IDF 对用户评价提取特征，并对提取特征后的用户评价输入分类模型进行分类，将类别输出为积极的概率作为用户极性映射即可。

用户评论向量化

TF-IDF 是一种用于信息检索与数据挖掘的常用加权技术，当某个词在文章中的TF-IDF越大，那么一般而言这个词在这篇文章的重要性会越高，比较适合对用户评论中的关键词进行量化。

数据集合划分

按照训练集 8 成和测试集 2 成的比例对数据集进行划分，并检查划分之后的数据集数量。

我们在系列实验的开始使用朴素贝叶斯模型来训练情感分析模型，下面我们新增逻辑回归模型作为对比模型。逻辑回归（Logistic Regression）是一种用于解决二分类问题的机器学习方法，在线性回归的基础上，套用了一个 sigmod 函数，这个函数将线性结果映射到一个概率区间，并且通常以 05 分界线，这就使得数据的分类结果都趋向于在 0 和 1 两端，将用户评论进行向量化之后也可以用此方式预测用户情感。本实验直接对标注过的用户情感数据进行训练，并验证单一模型和集成模型在情感分析性能上的差异。

模型加载

通过传入原始的标签和预测的标签可以直接将分类器性能进行度量，利用常用的分类模型评价指标对训练好的模型进行模型评价，accuracy_score 评价被正确预测的样本占总样本的比例，Precision 是衡量模型精确率的指标，它是指模型识别出的文档数与识别的文档总数的比率，衡量的是模型的查准率。Recall 召回率也称为敏感度，它是指模型识别出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率，表示正样本在被正确划分样本中所占的比例，f1_score 值是精确率与召回率的调和平均数，是一个综合性的指数。

我们分别对不同模型使用相同的数据集进行训练和测试，以此来比较单模型之间的差异，并打印模型运行时间供大家参考，批量处理不同的模型需要一些时间进行计算，清耐心等待。

通过求得的指标进行模型评价，我们发现使用相同的数据进行模型训练，朴素贝叶斯模型和逻辑回归模型性能基本持平，相差很微弱，逻辑回归稍稍占一些优势。

Stacking 堆栈模型训练

集成学习是地结合来自两个或多个基本机器学习算法的优势，学习如何最好地结合来自多个性能良好的机器学习模型的预测结果，并作出比集成中的任何一个模型更好的预测。主要分为 Bagging， Boosting 和 Stacking，Stacking 堆栈模型是集成机器学习模型的一种，具体是将训练好的所有基模型对整个训练集进行预测，然后将每个模型输出的预测结果合并为新的特征，并加以训练。主要能降低模型的过拟合风险，提高模型的准确度。

开始对两个模型进行集成训练，训练的时间要比单一模型时间久一些，清耐心等待。

评测结果收集。

结果分析

将结果存入 Dataframe 进行结果分析，lr 表示逻辑回归，nb 表示朴素贝叶斯，model_stacking 将两个单模型集成后的模型。从结果来看集成模型准确度和 f1 值都是最高的，结合两个模型的优势，整体预测性能更好，鲁棒性更好。

样例测试

通过测试样例发现，分类器对正常的积极和消极判断比较好。但是当我们改变语义信息，情感模型则不能进行识别，模型鲁棒性较差。作为早期的文本分类模型，我们使用 TFIDF 的特征提取方式并不能很好的解决语义问题，自然语言是带有语序和语义的关联，其词语之间的关联关系影响整句话的情感极性，后续我们继续试验深度情感分析模型研究解决此类问题。

加载民宿主题数据。

模型预测

将情感分析模型推理的结果写入 DataFrame 中进行聚合。

单主题聚合分析

挑选一个主题进行主题情感分析。

对民宿“设施”进行描述统计，此次我们使用主题词典的出来的用户关于民宿“设施”主体的讨论条数为 4628 条，平均用户情感极性为 040 表示为整体呈现不满意的情况，有超过一半的关于“设施”的民宿评论中表现用户不满意的情况，重庆民宿需要在“设施”进行改善，以此提高用户满意度。

单主题情感极性可视化

我们开始进行“设置”主题下的用户主题情感进行可视化，首先加载画图模块。

对“设施”主题下的用户情感极性进行可视化，我们利用集成模型对主题句进行情感极性预测，如下所示。

红世

种类

异世界

解说

人世间“无法到达的隔壁”的世界。

古时某位诗人将其命名为『涡巻く伽蓝』,后来渐渐的在徒与FlameHaze之间传开

原本红世之徒与红世之王都是那个世界的住民

后来某位王编出了一种自在法,使得他们可以干涉人世

厌倦红世的束缚,期望无限制的使用力量的徒们,使用这个自在法来到人世并贪婪的吞噬存在之力

补充

☆上面说的“无法到达的隔壁”实际上是另外的存在(并不是红世)

☆法里格尼奥说过「世界的全部，都是由于现象的影响与由于意识的干涉的生成的，持续变化的世界」(简单说的话，就好象「力量本身混合的世界」)。

红世の徒

种别

种族()

解说

人世"无法到达的隔壁"的世界的住人、依靠自在的操纵存在之力在人世间显现其中强力的徒被称作王(○是徒、☆是王)

仮装舞踏会

存在之力

种别

组织

解说

从红世而来的徒组建的组织

盟主下面设有『将军』『巫女』『参谋』。称作三柱臣

下层活动人员有负责战斗的『巡回士(ヴァンデラー)』与负责收集情报的『捜索猟兵（イエーガー）』

其中也包含着很多的等级差别

似乎为了什么庞大的目的而活动、详细不明

悠二体内的零时迷子、貌似与其目的(之一)有着不可割舍的关系

根据10卷、组织是为了使徒们可以在这个世界生活而建立的。详细不明

『将军』千变 修耐德

『巫女』顶之座 赫卡特

『参谋』逆理的裁者 贝露佩欧鲁

仮装舞踏会使用的据点是和天道宫一样、可以与外界的世界隔绝、隐蔽并且能够自由行动的"星黎殿"

是原来守护"星黎殿"的“岚蹄”フェコルー(Fecor)托付给舞踏会的

补充

☆Hekate对自己的事情置之不理的Sydonay感到不满

☆请不要误写作“仮面舞踏会”

☆也不是 仮面ライダー

☆第8卷里、三柱臣开始同时行动。不过、这是自大战以来、已经隔了数百年的事情了

大战

种别

事件

解说

本篇主线数百年前(马克西米连一世在位中、即公元1500年左右)从冥奥の环发动"都市吞噬"开始往后18年间的葬式之钟与FlameHaze兵团的战争

特别是为得到宝具"小夜啼鸟"而展开持续五天五夜的争夺战

双方都付出了很大的牺牲、最终这场战争(战役)以葬式之钟的败北而完结

补充

☆Ⅹ巻的内容便是最终决戦。

☆马克西米连一世 (神圣罗马帝国)

马克西米连一世, Maximilian I ，（1459年3月22日- 1519年1月12日），神圣罗马帝国皇帝，奥地利大公(1493年-1519年)，是神圣罗马皇帝卡尔五世（西班牙王卡洛斯一世）的祖父，亦是哈布斯堡王朝鼎盛时期的奠基者。马克西米连通过自己和子女的婚姻，使得的孙子成功地取得西班牙这个殖民帝国的王位，再加上自己的神圣罗马帝位，使卡尔五世成为欧洲的盟主，更令哈布斯堡王朝成为一「日不落帝国」。

闘争之涡

种别

现象(状况)

解说

由于大量的吞噬存在之力而引起骚动、扰乱因果、最后使其爆发，后果严重的『时』の势い

过去的奥斯特罗德(Osterode)、现在的御崎市都有着这样的危险

真夜中的锻炼

种别

行为课程每日例行

解说

夏娜为了教悠二使用存在之力战斗的方法

每晚、在坂井家的屋顶上进行指导

9卷碧璐黑罗米娜借着锻炼的名义击杀悠二

和解后一同参加锻炼、对悠二与夏娜进行指导

补充

☆除此之外、每天早上还有另外的训练

☆某处说到夜晚的锻炼之类主要是讲(21禁自动屏蔽)的事情

非常手段

种别

宝具

解说

逆理的裁者贝露佩欧鲁所属的搜索猎兵统一装备的黄金钥匙

伪装作勋章一类东西的样子、实际上是搜索猎兵被讨灭时自动启动的自爆装置兼通讯器

破坏力惊人、"琉眼"奥欧伊只是使用了最后一点存在之力便炸毁了整个天道宫

补充

☆象征着贝露佩欧鲁冷库形象的东西

☆就算这样她连奥欧伊的名字也没记住

红世の徒

种别

种族()

解说

人世"无法到达的隔壁"的世界的住人、依靠自在的操纵存在之力在人世间显现其中强力的徒被称作王(○是徒、☆是王)

FlameHaze

☆"天壌の劫火" 阿拉斯托鲁 红莲

☆"蹂躙の爪牙" 马可西亚斯 群青色

☆"虚の色森" ハルファス 淡橘色

☆"不抜の尖岭" ベヘモット 褐色

☆"梦幻の冠帯" ティアマトー 桜色

☆"払の雷剣" タケミカヅチ 炫目的紫电

☆"破暁の先駆" ウートレンニャヤ オーロラ ※ヴェチェールニャヤと一心同体

☆"夕暮の后尘" ヴェチェールニャヤ オーロラ ※ウートレンニャヤと一心同体

☆不明 不明 不明 ※サーレハビヒツブルグと契约

仮装舞踏会

○"琉眼" ウィネ 藤色

☆"千征令" オルゴン 毛骨悚然的绿青色

☆"道司" ガープ 浅葱色

☆"岚蹄" フェコルー 胭脂

☆"探耽求究" ダンタリオン 笨蛋一样发白的绿色

○"翠翔" ストラス 缥(!翻译不能)

○"狞暴の鞍" オロバス 橙

三柱臣（トリニティ）

☆ "千変" シュドナイ 浑浊的紫色

☆ "逆理の裁者" ベルペオル 金

☆ "顶の座" ヘカテー 明亮的水色

葬式の钟(とむらいの钟)

☆"棺の织手(冥奥の环)" アシズ 青色

九垓天秤

☆"巌凯" ウルリクムミ 浓绀色

☆"焚尘の関" ソカル 黄土

☆"暗の雫" チェルノボーグ 枯草色

☆"凶界卵" ジャリ 亜麻色

☆"大拥炉" モレク **

☆"虹の翼" メリヒム 虹

☆"甲鉄竜" イルヤンカ 钝色

☆"戎君" フワワ 焦茶

☆"天冻の倶" ニヌルタ 黝（あおぐろ）

○"架绽の片" アルラウネ 薄桃

中立

○"螺旋の风琴" ラミー（リャナンシー） 深い绿色

☆"髄の楼阁" ガヴィダ 乳白色

无所属

☆"彩飘" フィレス 琥珀色

☆"狩人" フリアグネ 薄白色

○"爱染自" ソラト 山吹色

○"爱染他" ティリエル 山吹色

○"缠玩" ウコバク 灿烂的赤铜色

未分类

☆"祭礼の蛇" 不明 不明

☆"壊刃" サブラク 茜

？不明 “银” 银色

补充

无

仮装舞踏会

存在之力

种别

能源()

解说

这个世界存在所必需的根源性质的能源

红世之徒利用这个能量来使自己显现于人间

另外、发动自在法也需要存在之力

用RPG讲的话,就是任意分配属性点兼法力点。

再者，对FlameHaze来说存在之力的消耗，「与其说疲劳不如说收伤」(玛乔理谈)

补充

无

自在法

种别

技术特技

解说

使用"存在之力"而造成"不可思议的奇迹的技术"的总称

根据个人的使用的形式、自在法的能力与规模也有着巨大的差别

将自在法的效果增幅并且统一起来、那种力量的结晶被称作"自在式"

本编登场的自在法一覧

从1卷开始

1:封绝 修复 都市吞噬 钥匙的线 転生の自在式

2:屠杀の即兴诗 気配察知 炎弾 撹乱 红莲の双翼

3:达意の言 揺りかごの园 欲望の嗅覚

4:存在への干渉抵抗 戒禁 清めの炎 红莲の大太刀

5:知覚情报の感染 レギオン 虹天剣 天破壌砕

6:カデシュの心室 调律 ガデシュの血脉 ガデシュの血流

7:因果の入れ替え

8:幻术 気配隠蔽

9:反射

0:人化

10:五月蝇る风 ネサの鉄槌 幕瘴壁 ラビリントス 清なる棺 分解と定着 グリペンの咆＆ドラケンの吼

11:风の転轮 影浸

补充

☆夏娜不擅长用自在法战斗

☆徒本身的能力与自在法的效果是2种不同的力量

自在式

种别

技术特技？

解说

自在法发动时生成的阵、力的结晶

同时也有着增幅效果的阵

虽然自在法没有自在式也可以成功发动、但是利用自在式之后能量便会源源不绝，像封绝一类的定型化的自在法便可以轻易的完成

自在式本身并没有可以任何造成不可思议现象的效果、不注入存在之力的话便不会发动

也就是说可以依靠理论完成设计、而不需要实际的存在之力

因为那样人类便也有可能参与自在式的研究

教授便时常与人类协力(利用=3=)来发明试验新的自在式

自在式的颜色基本上与徒(或王)火焰的颜色相同

大命诗篇

种别

自在式

解说

仮装舞踏会履行大命(大命翻过来是天命的意思即盟主的命令)时必要的自在式

解读启动都非常困难、并且还有一部不受任何破坏干涉的"完全一式"这样特殊的断篇

原来是仮装舞踏会秘藏的自在式、为了解读交给教授

研究。教授擅自分离出式的一部分、凭自己的兴趣进行了改造之后失去了兴趣，便扔掉了

这个断片经过数十年左右、最后落到アシズ手里。用来发动『壮挙』

补充

☆教授…你都作了什么啊

蓝天

种别

宝具

解说

“狩人”法利亚格尼所持有的戒指型宝具

有着结界"除火之禁制"、可以隔离由自在法引起的火焰

结节发动需要存在之力

另外、如果持有者遇到危险但是拒绝发动时会有紧急发动的功能

因为只能除去火焰、对宝具实体无效、所以法利亚格尼将其与泡沫锁链一起合起来使用、防御方面大概也就没什么问题了

法利亚格尼领便当后被悠二捡走、曾数次救过命

补充

☆"除火之禁制"发动的话、贽殿遮那的炎属性还有红莲的双翼都会被消除，这东西对U2同学大概也只有傍身的作用

☆azure(アズュール ):蔚蓝(日文原文:绀碧 翻译为蓝天)

☆1卷描写的『転生の自在式』刻在戒指的内侧。也许是一条伏笔。

☆一般主要使用火焰战斗的FlameHaze头疼的东西

美格斯托

种别

宝具

解说

『仪装の駆り手』卡姆辛所持的近三米的铁棒

其真正的用途是以铁棒为柄、用火焰聚集岩块瓦砾、形成巨大的鞭(铁鞭状)

是卡姆辛启动自在式『カデシュの心室』制作的岩石巨人使用的武器

石鞭的前端可以利用火焰发射出去、这个招式的名字叫做「ラーの砾」

大概是可以很好的发动自在式、调律时会拿来做标记

补充

☆本以为是卡姆辛的专用宝具、后来发现巌凯Ullikummi也能使用

小夜啼鸟

种别

宝具

解说

"螺旋的风琴"与囚禁她的笼子在一起合称的宝具

可以操纵最强的自在师、利用存在之力任意构筑希望得到的自在法

但是发动它需要巨大的存在之力、有很多徒为了发动反而把自己搭进去

几经转手、最后落在葬式之钟手上

补充

无

永远的恋人

种别

密斯提斯

解说

坂井悠二之前持有零时迷子的密斯提斯

元"红世之王"彩飘弗蕾斯(Pheles)的恋人、“永远の恋人”约翰

弗蕾斯为了使约翰可以与自己永远的在一起制作了宝具"零时迷子"

普通的密斯提斯只是移动宝库

但是使用"零时迷子"的约翰却是一个可怕的战力

没有被徒袭击过(足够的强)、由于弗蕾丝不足的存在之力是从约翰处直接补充(补魔力~补魔力~)、FlameHaze也没有找上门来

但是、受到“壊刃”的痛击，约翰被破坏

参考——>约翰

补充

☆可以进行战斗的密斯提斯、性质与天目一个相近

☆利用"零时迷子"、密斯提斯都可以成为恐怖的战力，暗示悠二强化的可能

☆弗蕾斯被称作"彼女"那么约翰就是男性了

☆约翰这个名字取自"约翰 浮士德"

约定的二人

种别

称呼

解说

指代"彩飘"弗蕾斯与"永远的恋人"约翰的事情

"零时迷子"原有的主人

在人世飘荡了一百年、接着失去消息一百年

大约两年前与碧璐黑罗米娜相遇、之后便一齐行动

数月前(四月末)被"懐刃"打倒

弗蕾斯传送约翰逃走、正将"零时迷子"封入约翰体内的时候

壊刃向约翰的火炬关键构成的部位打入了不明的自在式、将其毁坏

实际上已经是"不存在"的状态

火炬

种别

自在法

解说

红世之徒为了逃避FlameHaze的追杀而制作的替代物

制作原因如下

1 完全吃掉一个人类的存在之力对于世界造成的扭曲相当大

2 FlameHaze察觉到这个扭曲从而察觉到徒的所在

3 对于2的对策、徒并不会完全的吃掉、而是留下一小部分存在之力制作成代替物

4 代替物慢慢的消失、缓和扭曲的发生(结果与正常死亡差不多)

5 FlameHaze不能立即察觉出那个扭曲、在这期间徒将转移至下一个地方

火炬是按照已经死去的人的"存在之力"制作而成、所以记忆人格与生前无异

随着残余的存在之力的消失、其存在感便渐渐弱化。直到任何人也感受不到的时候、完全的消失

火炬的颜色(胸前的灯火)、基本上是将其吃掉的徒的火焰颜色的淡化

补充

☆故事中。“徒”的存在不不人世所知是重要的设定之一。

☆最近关于池速人死掉的事件出现了"池的火炬化"这样的猜测

浑之圣庙

种别

自在法

解说

TV版19话登场、TV原创的自在法

教授利用拥有最大容器的赫卡特与零时迷子并启动这个自在法从而创造出"存在之泉"

基本原理是利用赫卡特与零时迷子同化，使得零时迷子误认为存量不足而进行回复，这时便会用教授制作的机械将存在之力提出。零时迷子为了装满回到原来存量的整个容器而继续进行回复行为这个装置可以算是一台半永久性的提取器了

补充

☆21话的星黎殿转移并不是其效果(推测)

☆这也许是零时迷子最有效率的利用方法了

戒禁

种别

自在法

解说

一种专用于"密斯提斯"的自在法

这种自在法是密斯提斯的制作者为了保护密斯提斯体内的宝具不被随便拿走而安装在密斯提斯体内的

一般是封存高危险等级战斗用宝具时使用

戒禁的强度在于自在师的意愿、其中出色的戒禁可以使密斯提斯封绝中活动

补充

☆密斯提斯坂井悠二拥有"零时迷子"并不是某人特意封存、而是意外转移到其体内的。但是其体内也有戒禁。

更值留意的是其戒禁有着吞掉千变修奈德一只手的强度

☆这个戒禁、相信对仮装舞踏会往后有着很大的影响

☆宝箱怪物XD~

☆12卷U2同学再次发动戒禁、此回伸出了一条银色的手

密斯提斯

种别

火炬

解说

身体中藏有宝具的火炬。移动的宝藏

密斯提斯遭到破坏、或者存在之力燃尽的时候，体内的宝具便会自动转移到其他的火炬上

其中自愿成为密斯提斯的天目一个是例外中的例外

普通来说成为密斯提斯的火炬并不会产生什么变化、但是偶尔也有像藏了零时迷子的坂井悠二、受到体内宝具的影响而获得一定能力的火炬存在

补充

无

相关连接:《灼眼的夏娜》原声大碟

, , R ,>平日都穿着大号的斗篷和帽子

宝具是丛某个人那里得到, , 的可以启动复杂自在式的大杖『トライゴン』(trigon)

并且对那个"某个人"(盟主银)相当尊敬的样子

如果挥动trigon的话、便可以立刻产生强烈的暴风

补充

☆赫卡特这个名字来自希腊神话的冥界的女神Hekate

☆与教授不可思议得合得来，称呼教授为「おじさま」(ojisama)

☆三卷的时候相当关注爱染兄妹在人世间的行动

☆不止是爱染兄妹、奥伊欧加入仮装舞踏会的时候也接受了赫卡特的训令巫女有着对新进学员进行教育的义务么=w=

☆基本上很听修耐德的话

1 数据和算法的准确性：AI匹配伴侣的可靠性依赖于数据的准确性和算法的精确度。如果输入的数据不准确或者算法设计不合理，则匹配结果可能不可靠。

2 个人主观意愿的考量：AI可能难以考虑到一个人的主观意愿和喜好。虽然AI可以分析大量的数据和行为模式来预测一个人的喜好，但人类的喜好与个性是复杂而主观的，有时候AI可能难以预测。

3 缺乏人类的情感智能：AI虽然可以进行情感分析，但是它没有真正的情感理解和体验能力。寻找伴侣是一个涉及到情感和人际关系的过程，AI难以用纯粹的算法和数据分析来代替人类的情感智能。

4 潜在的偏见和歧视：AI系统的匹配结果可能受到机器学习算法本身的偏见影响，例如基于历史数据的性别、种族或社会经济地位的偏见。这可能会导致不公平的匹配结果。

5 缺乏实践验证：AI匹配的准确性往往需要大量的实践验证和反馈，而目前的AI伴侣匹配系统往往缺乏足够的验证和证据来支持其可靠性。

总的来说，虽然AI人工智能匹配伴侣在某些情况下可以提供参考和帮助，但完全依赖AI来寻找伴侣仍然不太可靠。传统的人际相处和情感理解仍然是寻找伴侣所必需的关键因素。