المصدر | AI خط المواجهة

أعرف أن ما يقرب من منصة السؤال والجواب المجتمع وتبادل المعارف والممارسين في جميع مناحي الحياة هنا لتبادل المعارف في هذا المجال، الناس الذين يأتون إلى هنا تعقد أيضا موقف التعلم، ونأمل في كسب شيء ما. نظام يعرف باسم المهام الأساسية يريدون دائما تقريبا لتزويد المستخدمين مع أفضل توصية المحتوى، جنبا إلى جنب مع تطور الإنترنت عبر الهاتف النقال، ومنصة المحتوى بشرت في العصر الذهبي الموصى بها، ولكن لا بد أن يكون هناك العديد من المشاكل والتحديات.

كمستخدم، نحن بأشد القلق هو نوعية وأهمية المحتوى المقترح. مرشح غير صالح من المعلومات حول كيفية توفير أكبر قدر من المحتوى دقيقة أوصى للمستخدم، والذي يعرف أيضا مشكلة كان ما يقرب من التفكير. من أجل معرفة ما يقرب من نظام التوصية بمزيد من التعمق في فهم، قابلت منظمة العفو الدولية الجبهة لمعرفة ما يقرب من منزل قائد الفريق الفني تشانغ روي، بالإضافة إلى معرفة ما يقرب من نظام التوصية وصف عملية التنمية في التفاصيل، ولكن أيضا بالنسبة لنا لتفسير تشانغ روي يعرف تقريبا نعرضه "دراسة متعددة موضوعية" نظام التوصية.

هذا المقال هو مقال خط جبهة واحدة "نظام توصية" منظمة العفو الدولية، أكثر من ذلك لا تنزعج أمام منظمة العفو الدولية.

جديد فهم يعرفون ما يقرب من نظام توصية

اليوم، تم تطبيق نظام التوصية في جميع مناحي الحياة، في معرفة تقريبا، ونظام التوصية هو الميزة الأساسية.

ومن المعلوم أن ينقسم نظام المعرفة تقريبا توصية إلى قسمين: واحد هو ينصح تدفق المعلومات زيارة شخصية، والجزء الآخر هو في مجموعة متنوعة من سيناريوهات المستخدم، مثل مشاكل التوجيه، وذلك بناء على توصية من وظيفة التوصية ذات الصلة.

وقال تشانغ روي في هذه السيناريوهات أدناه، تعرف تستخدم ما يقرب من التكنولوجيا ليست بالضبط نفس الشيء، والتكنولوجيا المستخدمة ليست نفس الإطار للصحفيين: أساسا لتحديد أي نوع من الهندسة المعمارية والتكنولوجيا على أساس سيناريوهات المستخدم.

في منزل توصية شخصية، والتكنولوجيا اهمها: لالمحتوى الرسومي، والأساسية المحتوى صور تحديد وفيديو وصور من المستخدمين، والاعتراف كيان وما يرتبط بها من الرسم مضمون ومحتوى الفيديو في الداخل، تشانغ روي التمثيل هذه هي المكونات الأساسية؛ وفي الجزء العلوي من سحب طلب الكثير من استخدام DNN، وهذا هو، وعمق تكنولوجيا الشبكة العصبية.

منذ تطوير منصة، طريقة بسيطة سابقا إلى الرسم على أساس التبادل لم يكن كافيا للسماح للمستخدمين الوفاء، حتى نعرف منصة السلام، كان هناك الكثير من محتوى الفيديو والصوت، ولكن النص لا تزال تحتل نسبة كبيرة، والذي يعرف ل تقريبا نظام التوصية هو شيء جيد.

لماذا تقول؟ تشانغ روي يفسر، الفرق بين نظام توصية الرسم وغيرها من النظم أوصى: الخوارزميات AI الحالية من الفهم التقني سيكون أعمق من المحتوى الرسومي للوسائط المتعددة الفيديو والصوت . وبالنسبة لمعظم الشركات، ونظام توصية الرسم في عمق فهم من المحتوى الرسومي نفسه، من حيث التكلفة مقبول. هذا الفهم ليس فقط تبدأ من تفاعل المستخدم، أو المحتوى الرسومي باعتبارها واحدة، ذرات العنصر، ولكن أكثر تعمقا في فهم ما مقالا يتحدث عن الرسم في النهاية، انها نوعية ما كان عليه وهلم جرا سلسلة من المعلومات. حتى في الواقع فيما يتعلق توصيات المنتج، توصية الفيديو هلم جرا الميدان، الرسم أوصى مزيد من المعلومات يمكن استخدامها.

"بالطبع، الآن هذه الصناعة عند القيام النظام توصية الرسم، وسوف تستخدم هذه المعلومات ل" تشانغ روي قال: "نحن نتنافس في هذا المجال قوية جدا هذا غاية الأكاذيب: كل شركة لالمحتوى الرسومي توصيف واختيار أبعاد ليست هي نفسها، ويمكن القيام عمق ليست هي نفسها، ولكن هذا البعد والعمق يحدد الرسم نفسه يمكن القيام به الحد الأعلى الموصى بها من تجربة المستخدم كم ".

قد ذهب من أجل تعزيز الحد الأعلى من تجربة المستخدم، ونحن نعلم ما يقرب من نظام التوصية من خلال رفع مستواها.

وقال تشانغ روي لنا، ونعرف تقريبا الأصلي إصدار نظام توصية بسيطة جدا، فقط لتقديم توصيات بناء على المخاوف سلوك المستخدم، مثل مواضيع جديدة تنشأ، وبمجرد أن انتباه المستخدم إلى TA سيوصي المحتويات ذات الصلة، لا ينصح أي اهتمام. بالإضافة إلى ذلك، طلب الموصى به هو بسيط جدا، هو الاعتماد على تدفق من الزمن، حتى لو قدم بعد ذلك خوارزمية EdgeRank بسيطة مثل، لا كما هو مجرد بسيطة إعادة الترجيح المعلومات المتعلقة الوقت المناسب، وجودة النص.

كما وجد المستخدمين الجدد في فريق البحث والتطوير ما يلي: في تغذية تيار توصية المشهد، المزيد والمزيد من المستخدمين "كسالى"، والغالبية العظمى من المستخدمين لا يرغبون في إجراء عمليات معقدة، يمكنك الحصول على النتائج توصية جيدة جدا. وهكذا، ركز فريق نظام توصية بشأن بعض التحسين، مثل: جزء من الإستدعاء، وإدخال المزيد من الطرق قائمة على سلوك المستخدم أن نشير إلى المضمون؛ في الروابط الفرز لمجموعة متنوعة من توصيف مفصل لمجموعة متنوعة من سلوك المستخدم والمحتوى يتم تقديمها في، مرتبة حسب الشبكات العصبية DNN، سواء العملاء القدامى يي هاو هاو يي مستخدم جديد، حتى لتحسين خبراتهم الشاملة.

تعرف متعدد تقريبا توصية نتيجة تذكر مصدر إطار توليد الانصهار

وقال تشانغ روي: "في الواقع، بعد السطر على النظام الجديد، مقارنة مع النسخة الأصلية، وزيادة حجم التوزيع حسب كل المؤشرات تقريبا، وما لا يقل عن ثلاث مرات."

نظم توصية التعلم متعدد الأهداف

نحن نعرف تقريبا CTO لي داهاي مرة واحدة تشير إلى "التعلم متعددة موضوعي" نظام التوصية في خطاب العام الماضي، ونحن نفهم أن هذا هو الاتجاه لتحسين معرفة ما يقرب من نظام التوصية. حسنا، هذا "التعلم متعددة موضوعي" كيف يمكن تفسير ذلك؟

وقال تشانغ روي لنا أنه، بشكل عام، في البحث والتوصية وغيرها من السيناريوهات استرجاع المعلومات، ومعظم الهدف الأساسي هو الظهور للمستخدم، وهذا هو، يرى المستخدم أي جزء من المحتوى سيذهب بعد بنقرة واحدة إلى القراءة. ولكن في الواقع وتتنوع سلوك المستخدم على المنتج. على وجه الخصوص، ونعرف تقريبا، يمكن للمستخدم يشير إلى الثناء محتوى معين، هذه المجموعة من المحتوى، يمكنك مشاركة بها، حتى على سؤال اذا كان يشعر أكثر انسجاما مع مصالحه، تريد الإجابة، يمكنك أيضا القيام ببعض الكتابة.

على الرغم من أن الهدف واحد يمكن أن يكون الأمثل لنسبة النقر إلى الظهور للمستخدم، ولكن مثل هذا النهج سيكون لها أيضا آثار سلبية: أوصى بها ينقر المستخدم على مضمون الفعل ليس بالضرورة أن يكون محتوى المستخدم راض جدا كمن قد ترى أن بعض المحتويات شعبية يكون لفوق، قراءة أو رؤية بعض عتبة منخفضة المحتوى، مثل بعض الأحداث الساخنة في تحفيز المناقشة، المحتوى الإخباري الاجتماعي، أو بعض الترفيه والاسترخاء، وسوف ينقر المستخدمون. النتائج المترتبة على ذلك هي: مؤشر نسبة النقر إلى الظهور مرتفع جدا، ولكن يتلقى المستخدم نتيجة توصية ليست مرضية للغاية.

وفي وقت لاحق، وفريق المعرفة وتطوير المنتجات وجدت تقريبا: كل سلوك نيابة عن المستخدم إلى حد ما، وتمثل ما إذا كان محتوى معين لتلبية احتياجات مختلف المستويات منه. على سبيل المثال، انقر فوق، نيابة عن المستخدم في هذا السيناريو، كنت تريد أن ترى المحتوى، تؤيد، وبالنيابة عن المستخدمين يعتقدون أن محتوى إرسال فعلا جيدة جدا، وجمع، نيابة عن محتوى غير مفيدة بشكل خاص للمستخدم، لأنها قد تستر، بعناية الذهاب نلقي نظرة، حصة، نيابة عن الأمل المستخدم أن الآخرين يمكن أن يرى هذا المحتوى.

وبعد هدف واحد CTR الأمثل لأعلى نقطة، على الرغم من أن كمية قراءة المستخدم، ولكن مجموعة متنوعة من السلوكيات الأخرى (المفضلة، ممتاز، حصة وهلم جرا) هو أسفل. ويمثل هذا التراجع: يتلقى المستخدم الكثير من الأشياء التي لا تعتبر العملية.

وهكذا، فإن فريق نظام التوصية في التفكير: يمكنك تقدير احتمال وجود المستخدم على الأفعال الأخرى؟ هذه الاحتمالات هي في الواقع التعلم نموذج لاستهداف أهداف متعددة معا، بما في ذلك القراءة، ممتاز، وجمع وتبادل وهكذا سلسلة من الأعمال التي يمكن دمجها في نموذج التعلم، والذي هو نظام الموصى بها من متعدد الاهداف التعلم.

"متعدد موضوعي" نموذج التنبؤ

مثل كل الأنظمة والمعرفة متعددة موضوعية نظام توصية الأولي تقريبا هو صيغة بسيطة نسبيا، فقط لإعطاء كل كائن نموذج التعلم. في هذه الحالة، فإن عبء التدريب وعلى الخط التنبؤ النموذج نفسه أن تكون خطيرة جدا، والتدريب والتنبؤ من كل نموذج له لقضاء نفس الموارد، الموارد الهندسية لمثل هذه الضغوط كبيرة جدا. بين هذه النماذج وكذلك بعضهم البعض تصديق متقاطع، يحتاج كل نموذج أيضا لتقييم وتقييمها مرة أخرى حاليا، وتقييم على الانترنت مرة أخرى، بعد اندماج ... ثم هناك العديد من السلوكيات تضيف ما يصل، ويرجع ذلك إلى عبء الموارد R & D هي كبيرة جدا.

لذلك، بعد صدور الطبعة الأولى من نظام توصية متعددة موضوعي للقيام بذلك، وسيقوم فريق نظر: هل يمكن استخدام بعض حصة المعلمات من بين عارضة الأزياء، أو مشاركة النموذج نفسه والطريقة العملية التدريبية، لتخفيف العبء على التدريب، وعبء على تكلفة المشروع، وتكاليف R & D؟

وقال خصائص الهدف نفسه في مستوى أعلى من هندسة الشبكات العصبية محددة تقوم هذه الفكرة على فريق المبذولة لتبادل المعلمات ذات الصلة في الجزء السفلي، والتعلم القائم على نماذج مختلفة تشانغ روي، هذه العمارة إشارة، والكثير من القائمة التقدم في دراسة متعددة الهدف.

على الرغم من أن يحل جزءا من المشكلة، ولكن نماذج متعددة معا، من خلال نموذج لتعلم تبقى بطريقة هادفة إشكالية.

أولا، العلاقة بين النموذج الهدف يحدد الحد الأعلى للمدى يمكن تعلمها. على سبيل المثال: إذا كان النموذج هو نقطة الوسط من الثناء وانقر على جانب بالكامل، ثم هذا النموذج هو في طور نقطة من الثناء والتعلم، وأنا لم تعلم نقرة. ولكن المستخدم هي المعنية، معناه ليست هي نفسها، وهذا ليس إلى جانب نظام بالكامل.

في هذه المهمة التعلم، وإذا ذهبت للمشاركة معلمات الشبكة الأساسية، فإنه قد تستهدف السبب الكامن وراء كل يمكن أن تتعلم قليلا، ولكن كل أهداف التعلم ليست كافية، وهو متعدد الأهداف صعوبة تطبيق التعلم النظام. لحل هذه المشكلة، المرجع فريق R & D التي أدخلت على ورقة نشرت من قبل Google، ودعا متعدد بوابة خليط من بين الخبراء المشار MMOE.

MMOE الفكرة الأساسية هي: يتم تقسيم الشبكة الأساسية في عدد من الوحدات المتخصصة، على الرغم من أن يتم تقاسم المعلمات الأساسية، ولكن لتعلم من خلال بوابة (الباب) بين المعلمات الهدف والشبكة، بحيث أن كل جزء من الشبكة بشكل كامل يتعلم كل أكبر مساهمة في مجموعة من المعلمات من هيكل هدف، وبهذه الطريقة لضمان ذلك، عندما لا يحدث معلمات الشبكة الأساسية للتبادل، بين الهدف تأثير تعويض.

وقال تشانغ روي لنا أنه بعد المحاولة، ويقدر AUC المهام الفرعية مستوى التفاعل لتعزيز قيمتها 0.2 في المائة على الأقل، فإن المهمة الرئيسية في نموذج المهمة التي هي التنبؤية القراءة، AUC لم تسقط. بعد على الخط، والنتائج التي تحققت إيجابية للغاية.

حتى قال تشانغ روي لنا متزامنة بعض البيانات. من البيانات، قبل البدء في تطبيق التعلم متعدد الأهداف، ونماذج تنبؤية أعرف تقريبا فعلت معدل دقة عالية جدا، بعد إدخال التعلم متعدد الأهداف، أكثر أو أقل سوف يكون له بعض التأثير السلبي على قراءة السلوك: متعدد الاهداف منذ التعلم على الخط في سلوك القراءة انخفض بنحو 2، ولكن سلوك المستخدم الأخرى (مثل الإبهام، جمع وتعليق، حصة، وما إلى ذلك)، وزيادة بنسبة 50 إلى 100.

إذا نظرتم الأكثر ارتباطا مباشرا إلى تجربة المستخدم البيانات، وهو معدل البقاء للمستخدم، بعد التعلم على الانترنت متعددة الهدف، تعرف تقريبا معدل الاحتفاظ المستخدم كله ربما تحسنت حوالي 5 . ". وبالنسبة لأي نظام التوصية، يمكن الاحتفاظ المستعمل الشامل تحسين 5 على عائدات مرتفعة جدا" وأضاف تشانغ روي.

أما بالنسبة لردود فعل المستخدمين، وقال تشانغ روي لنا أن نعرف الآن ما يقرب ديك لتوفير ردود فعل المستعملين بعض القنوات الثابتة. وقال لنا: "قبل البدء في تطبيق دراسة متعددة موضوعية، فإن معظم ردود الفعل التي تلقيناها هي أن المستخدمين يشعرون تيار تغذية، محتويات هذه ملاحظات ضحلة بشكل متزايد أساسا من المستخدم معرفة حدة تقريبا، وبعض المستخدمين السن. انهم يتوقعون أن نعرف تقريبا مرتفعة جدا، وآمل أن تكون قادرة على معرفة بعض المعارف مفيدة بشكل خاص تقريبا لهم. قبل قراءة الأمثل آلة سيجلب بعض التأثير العكسي، وهناك شاهد أن يعرف تقريبا كل المحتوى المقترح على الرغم من خصوصا لافتة للنظر، ولكن الاستخدام الفعلي وليست كبيرة. في نظام توصية الجديد بعد الخط، وكثير من القول جودة المحتوى داخل تدفق تغذية تصبح عالية، وتجربة غامرة المستخدم شعورا أصبحت أعمق ".

من المعروف أن إدخال نظم توصية التعلم متعدد الأهداف للحصول على ما يقرب من الكثير من الآثار الإيجابية، لكنه قال تشانغ روي أن مشكلة تزعج الفريق تشهد حاليا: أهداف متعددة، في النهاية ما هي الطريقة للذهاب الهدف المقايضات والتكامل من أجل تعظيم فوائد المستخدم وفوائد منصة؟

وقياسا على ذلك، في الواقع، عندما تستهلك المستخدمين المحتوى داخل تدفق الأعلاف، وقال انه ليس مشهد واحد من المرغوب فيه جدا، ويوفر النظام لعدد من المحتويات الترفيهية وركيك، ومقدار القراءة سوف ترتفع، ولكن تجربة المستخدم سوف تشعر بأنها سيئة، ولكن إذا أوصى بعض نسبة التحصيل الكامل بشكل خاص نسبة عالية، بالنسبة للمستخدمين، على الرغم من أن هذا النوع من المحتوى مفيد جدا، ولكن قراءته يكون متعبا جدا.

وقال تشانغ روي: "لتشعر منصة، ونحن نشعر ببالغ القلق حول كيف يمكن للمستخدم في تيار المشهد تغذية التالية خبرة والذي يرتبط مباشرة إلى الإبقاء على مستخدمينا وعدد المستخدمين النشطين .."

وحتى الآن يعرف تقريبا تحاول بعض الحلول، بما في ذلك التجمع المستخدم، لنرى مجموعة معينة من المستخدمين الأكثر تشعر بالقلق إزاء ما هو نوع من المحتوى. ولكن هذا هو من قبل مدير المنتج، أو شيء من هذا يتحدد عن طريق الملاحظة الإنسان، مثل مستخدمي الثقيلة في بعض المناطق سوف تكون قلقة بشكل خاص حول مضمون الموصى بها ليست لديهم الاستخدام؛ عدد قليل من المستخدمين معتدل، جاءوا لمعرفة ما يقرب من والغرض الرئيسي هو لقراءة خفيفة الوزن وسهلة الهضم محتويات بعضهم أكثر ودية.

بعد تجمع المستخدم، يمكن تعديلها بشكل ديناميكي الترجيح كل هدف، ونظرا لأمر نهائي. ويوصي هذا بالطبع الإيرادات النظم، ولكن تشانغ روي أعتقد أن الآن ليس هناك وسيلة متطورة للغاية للحكم على أي نوع من مجموعة، أي نوع من الأهداف بينهما في ما يتناسب مع الانصهار، وذلك ل واحد النهائي لأفضل عائد الشاملة.

الآن أساليب مختلفة من أنظمة توصية في هذه الصناعة، وسوف نذهب إلى الظهور توقع (نسبة النقر إلى الظهور)، للتنبؤ CVR (معدل التحويل)، التنبؤ احتمال وجود مجموعة واسعة من السلوك، ولكن عدد قليل من الشركات لا يتوقع الاحتفاظ المستخدم. وهذا هو أيضا تحديا للتوصية الصناعة برمتها، أو التي تواجه دائرة تكنولوجيا توصية: كل هذه الأفعال الاحتمالات، هو جانب واحد من تجربة المستخدم، وليس تمثيلا للعموما أفضل تجربة للمستخدم، ثم، ما هو نوع من طريقة يمكن أن تعطي المستخدمين الخبرة لتحقيق أقصى قدر من العائدات، لا يزال يشكل تحديا لصناعة يواجه حاليا. يعتقد تشانغ روي أن التعلم من خلال متعددة الهدف لتحقيق هذا الهدف بشكل غير مباشر، تحقيق غير مباشر الأمثل العالمي، لتعزيز تجربة المستخدم قد يكون حلا.

تخطيط المستقبل

بالإضافة إلى التعلم متعدد الأهداف، هناك نوعان من جوانب التطور التكنولوجي يشكل مصدر قلق كبير لتشانغ روي، وقال انه يعتقد، هذين تقنيات نظام التوصية هو أيضا مفيدة.

الأول هو ل تحديد نوعية المحتوى .

نحن نعلم المشهد تقريبا أساسا الرسم، لذلك سيتم المطورين المعنية أكثر حول جودة الرسومات التمييز. التمييز نوعية الرسم وتشمل الميزات الحبيبات غرامة، مثل محتويات المستخدم للحصول على ما هو محتوى جيد، ما هو المستخدم لا. على سبيل المثال، مقالة حول أساسيات المحتوى تعلم الآلة، آلة التعلم للمبتدئين يمكن أن يكون محتوى جيد جدا، ولكن لبعض المعرفة المذكورة أعلاه تقريبا آلة التعلم هو بقرة كبيرة لم يكن لديك الكثير من المعلومات من الأشياء.

وقال تشانغ روي أن كيفية تحقيق تصوير الحبيبات غرامة من جودة المحتوى، المحتوى أو القيمة هي شيء صعب للغاية، ولكن لحسن الحظ أن الصناعة قد تتقدم في مجال التكنولوجيا، جعلت الآن بعض التقدم، بما في ذلك الأبحاث المنشورة مؤخرا بيرت جوجل، يمكن أن يكون مختلفا عن الصياغة الواردة في تمثيل جزءا لا يتجزأ من تضمين المعتاد.

اتباعها ل العمق التحليلي الشبكة العصبية .

الآن العديد من المشاهد قد استخدمت عمق الشبكات العصبية، ولكن قال لنا تشانغ روي: لالشبكات العصبية العميقة، فإن الغالبية العظمى من المشهد لا يزال الصندوق الأسود، ومن ثم المضي قدما إلى أبعد من ذلك، وهو الصندوق الأسود ليست مطلقة، على الأقل هو مربع رمادي.

في الوسط بين المدخلات والمخرجات في نهاية المطاف ما هو نوع من الارتباط؟ العوامل التي المدخلات يمكن أن تلعب دورا هاما معظم على الانتاج؟ بهذا المعنى يمكن قياس لتقييم؟ الآن نتائج البحوث في هذه الصناعة في هذا المجال ليست كبيرة جدا، لذلك تشانغ روي التفكير، وكيفية حل شبكة DNN فعلا تتوافق مع المطورين لا يمكن حقا للتعرف على هذا النموذج، وتحديد دقيق لا يمكن ان يستمر كيف يعمل، بحيث لا يمكن أن توفر التوجيه للعمل في المستقبل، مثل نوع ما من الخصائص، أو ما هو تكوين شبكة قادرة على توليد المزيد من العائدات؟

الآن في معظم الحالات لا تزال تعتمد على التجربة الإنسانية، قليلا في محاولة، ما اذا كنا نستطيع حل DNN القيام بعمل جيد، وكفاءة التكرار مختلفة من المستقبل، وقفزة في الكفاءة يمكن تطويرها سيكون النوعية.

قد يكون عمق تحليل الشبكات العصبية أكثر أهمية بالنسبة للنظام التوصية. وقال تشانغ روي بشكل قاطع، والآن ينصح بعض الدراسات لتفسيرها للنظام، ولكن مرات عديدة للمستخدمين رؤية توصية المحتوى، في الواقع، وليس من الواضح لماذا باك له، إذا كان السبب غير واضح، وبعض المستخدمين ليس لديهم حافز دقيق نرى. على سبيل المثال، لشراء الأشياء على الإنترنت، وأوصت منصة الأعمال الإلكترونية المنتج لتوصيات جعل بناء على مستوى المستهلك بين الجنسين وحتى المستخدم، ولكن للمستخدم، إذا كنت لا تعطي تفسيرا للأسباب، يمكن للمستخدم أن يكون من الصعب التفكير في هذا الامر في النهاية مع هم ما أهمية.

وقال تشانغ روي: "إذا كان عمق لحل الشبكة العصبية، يمكن أن يكون خطوة كبيرة نسبيا إلى الأمام، ويمكن أن يعكس إطلاق سقوط، والأشياء دفعة للمستخدم ما هو أكثر أهمية، ولكن أيضا يمكن للمستخدم إعطاء هذا التفسير، I لماذا دفع هذا الشيء، وفحص يمكن تحسين إنتاجية المستخدم، وزيادة الحساسية ورغبة المستخدم للاستهلاك النظام توصية بأكمله ".

تشانغ روي تحدثت أخيرا عن التخطيط ونتطلع إلى معرفة ما يقرب من نظام توصية للتنمية المستقبل.

من سطح قرار المستخدم، ونظام توصية يعرف آمال فريق المتنوعة تقريبا لتحسين دقة المباراة بين المستخدم والمعلومات، في محاولة لإعطاء المستخدم المزيد من المعلومات. قد تحتاج للذهاب قليلا لتحقيق هذا الهدف من خلال مجموعة متنوعة من الطرق المذكورة أعلاه.

من المنصة، المنزل من نظام التوصية التي تحتل تعرف نسبة كبيرة جدا تقريبا من مصادر حركة المرور، بينما تدعم أيضا تطوير المعرفة تقريبا جميع الأعمال التجارية، لذلك تشانغ روي تريد إنشاء نظام مرن للغاية، على أساس الأعمال الطلب الحالي، أو حالة التشغيل الحالية للشركة، لتوجيه تدفق المنصة، حيث تستفيد الشركات والمستخدمين، ثم تتدفق في نهاية المطاف التوزيع، وقيمة حركة المرور باستخدام آلية مع التقييم.

 الضيوف مقابلة مقدمة

قائد فريق التكنولوجيا الرئيسية تشانغ روي

تشانغ روي، تخرج من جامعة بكين للبريد والاتصالات السلكية واللاسلكية، وتعمل في مجال البحث، والبحث في الإعلانات بايدو، وقرون البازلاء وغيرها، اتجاه عمل الجهاز تعلم أنظمة التوصية، معالجة اللغات الطبيعية، توصية الخوارزمية. التكنولوجيا الرئيسية يعرف حاليا ما يقرب من منصب قائد الفريق، الخدمات المنزلية مدير مسؤول عن معرفة ما يقرب من تدفق بحوث المنتجات المعلومات وفرق العمليات وتطوير المنتج.