رئيس مجلس النواب: غطاء كون (علي ماما عرض دقيق، المدير الأول للتكنولوجيا)
[استعراض فاز جي الجديدة غطاء كون والأنهار والبحيرات المعروفة باسم "جينغ شي" هو مجموعة علي بابا "المسؤولة عن تحقيق" عرض دقيق علي ماما، المدير الأول للتكنولوجيا. في تشي يوان للصناعات والانتقال نيسشين قمة التكنولوجيا AI 29 مارس غطاء كون مفصل مسار الهجرة علي الأم أن تعلم عميق، في الإعلان أوصى دراسة متعمقة، بحث كامل مكتبة والخبرة والمشاكل. كامل من البضائع الجافة، ورقة يجلب مذكرات رائعة.
علي ماما دقيقة كما عرض الإدارة الفنية المدير المسؤول عن تغطية كون في كنية علي هو جينغ العالم، وأصبح العالم الخارجي "الخوارزمية عبقرية". وفي عام 2011، دخل علي غطاء كون المقترح دالة متعددة التعريف النموذج الخطي MLR وكانت تستخدم أساسا لصناعة للقيام نموذج الخطي البسيط تقدر نسبة النقر إلى الظهور، بسبب تحسن كبير في صحة نسبة النقر إلى الظهور المقدرة والمنطقي. في السنوات الأخيرة، وقد استخدمت MLR نموذج نطاق واسع في عمليات الحفر الموجه القطار والتنمية.
وقد أدى غطاء كون أطلق فريق هيكل نموذج التوقعات الجديدة من حيث نسبة النقر إلى الظهور - شبكة توزيع شبكة المستخدم اهتماما عميقا ، طرحت مصلحة المستخدم متنوعة، التي أنشئت بين استخدام التعلم العميق وتقدر نسبة النقر إلى الظهور في سلوك المستخدم والإعلان تاريخ مباريات جزئية، كلما زاد تأثير ارتفاع درجة مطابقة البيانات التاريخية للتنبؤ النتائج، من أجل التمييز المستخدم الحالي النقاط المثيرة للاهتمام. في 29 مارس تشي يوان للصناعات والانتقال نيسشين AI قمة التكنولوجيا، وغطاء كون على تفسير هذه الخوارزميات.
غطاء كون: يسر جدا لإيصال "دراسة متعمقة للتطور الطريق" معك، وعلي الأم البيانات الكبيرة تسويق منصة تحت مجموعة علي بابا، أدرك تقسيم مسؤولة عن علي بابا. لدي كنية علي، علي، ونحن جميعا الاتصال الداخلي والاتصال مع لقب، اسم I هو علي جينغ داخل العالم، واتجاه البحث هو تعلم الآلة، والرؤية الحاسوبية ونظم التوصية والحوسبة الإعلان. المرحلة الجامعية في جامعة تسينغهوا والدكتور قرأت، وتخصص في رؤية الكمبيوتر، مضيفا بابا تقنية الإعلان بعد التخرج، وبعد ذلك تتكون علي قسم ماما، وتقسيم مسؤولة عن جميع أشكال الإعلان عن علي المنتج تتحقق. أنا الآن أم علي، الباحث المسؤول عن دقيق فريق التكنولوجيا الإعلانات المستهدفة مسؤولة عن تطوير المنتجات هي حفر ذكي، قطار إعلانات مستهدفة، والطلاب هم على دراية نظام علي قد تعرف هذه المنتجات اثنين.
سوف أتحدث عن الأجزاء الثلاثة. الحديث عن تطور التعلم العميق في بيانات الإنترنت، ومن ثم الحديث عن الإعلان الموصى بها أو عمليات داخل العمق تعلم كيفية استخدام البحث، ركضت بحثا عن وجود مشكلة في عمق تعلم كيفية حلها، وننظر في النهاية قدما للتحديات المستقبل.
أولا وقبل كل شيء، البيانات الكبيرة في شبكة الإنترنت. بيانات الإنترنت ما هي خصائصها؟ الميزة الأولى هي تحويل واسعة النطاق في تعلم اللغة الآلة البعد غير مرتفعة بشكل خاص، عينة كبيرة خاصة في بيانات الشبكة الداخلية بالإضافة لديها ثروة من العلاقات الداخلية.
وعلى سبيل المثال، مثل هذا البيانات على مواقع نموذجية APP أو الإنترنت، في حين العديد من المستخدمين، والجانب الآخر الكثير من المواد لمقدمي الكهرباء، على سبيل المثال، والمواد التي السلع. لدينا الآن الكثير من المستخدمين لديهم الكثير من السلع المادية، وكلاهما البيانات الكبيرة، سوف نرى الكثير من الأعمال في التاريخ، وهذا هو نوع من الاتصال بين المستخدم مع السلع. ومن ثم توسيع نطاقه، كل مستخدم له الملف المعلومات، للمستخدمين رؤية عنوان البضائع، تفاصيل الصفحة والتعليقات وغيرها، بحيث تمتد إلى أسفل البيانات الكبيرة جدا وسيتم ربط لهذه العلاقات معا، وهذا هو خصائص بيانات الإنترنت .
تقدر نسبة النقر إلى الظهور . السؤال التقليدي، على سبيل المثال، لماذا تقدر نسبة النقر إلى الظهور مهم؟ هذا الإعلان، والتوصية، أعمال البحث في التكنولوجيا الأساسية ولا يعتقد أن أهمية هذه الخدمات لديك أي أكثر من هذه العمليات الثلاث في العديد من الشركات سواء من حيث الأعمال الأساسية. إعلان، تقدر نسبة النقر إلى الظهور للإعلان لماذا من المهم؟ هناك نقطتان. أولا، تقديرات نسبة النقر إلى الظهور هي أرض خصبة للدراسة والبحث من عمق السوق والإعلانات، والكثير من التكنولوجيا الجديدة لاستكشاف وتتطور. ثانيا، يرتبط CTR الإيرادات المقدرة مباشرة مع منصة للشركات الإنترنت، هو في الواقع أكثر أهمية بالنسبة لمنظمة العفو الدولية. ونحن نعرف الكثير من الشركات AI، بما في ذلك البحوث الداخلي للشركة هو في الواقع على تخطيط المستقبل. التدفق النقدي من أين؟ نقد العديد من شركات الإنترنت من الإعلانات، والإعلان مهم جدا.
وإعلان إطلاق دراسة متعمقة تقدر نسبة النقر إلى الظهور إحراز تقدم بشأن المسائل الأساسية، والطريقة التقليدية CTR قدر فئتين، الفئة الأولى هي تصميم قوي يتميز اصطناعية ، وأبعاد لا تكون مرتفعة جدا، وبصفة عامة، فمن الخصائص الإحصائية قوية من بعض الممارسات التقليدية مثل هذه السمات إلى Yahoo كممثل للشركة باستخدام طريقة GBDT. والمشكلة هي أنه على الرغم من هذه الطريقة بسيطة وفعالة، ولكن اليدوي معالجة البيانات بحيث فقدان البيانات من القرار، أبعاد البيانات انخفاض منخفضة للغاية. نهج التيار الثاني، التوسع البيانات إلى بيانات عالية الأبعاد، والنهج الكلاسيكي استخدام الانحدار اللوجستي على نطاق واسع ، الانحدار اللوجستي هو النموذج الخطي المعمم، وهذا النموذج هو بسيط جدا، ولكن تقتصر قدرته على النموذج.
قبل إدخال إدخال التعلم العميق، وأنا أول إطلاقه أول وظيفة في علي ماما، نحن الانحدار اللوجستي من النموذج الخطي البسيط يصبح نموذج غير الخطية إلى ثلاث طبقات الشبكة العصبية. ذكر من النهج التقليدي مع البيانات على نطاق واسع + الانحدار اللوجستي، وهي مشكلة مع هذا المنطق هو الانحدار الخطي البسيط جدا، ونحن في حاجة إلى القيام بالكثير من الميزات اليدوية لهذا الغرض تعمل على نحو أفضل. ما نحن كان يعتقد من قبل، وكيف يمكننا أن نجعل خوارزميات أكثر ذكاء لاستخراج نموذج غير الخطية تلقائيا في البيانات التي على نطاق واسع.
فعلنا هذا في محاولة، للقيام دالة متعددة التعريف النموذج الخطي الفكرة وراء ذلك هي بديهية نسبيا. يتم تقسيم كامل المساحة في الكثير من المناطق، كل المنطقة وهي النموذج الخطي. مناطق مختلفة لا إتصال بعض بسلاسة، وهذا الفضاء هو دالة متعددة التعريف الخطية نموذج، عندما يكون عدد من المناطق بما فيه الكفاية، وجود عدد كاف من شظايا، ويمكن تقريب أي أسطح معقدة غير خطية.
هذا النموذج هو عرض منظور تخطيطي لشبكة العصبية. كيفية حساب بعد عينة؟ أولا، حساب عضوية كل منطقة، على افتراض أن هناك أربع مناطق، تحسب درجة العضوية. هذا هو على وجه التحديد على عينة تنتمي إلى المنطقة الأولى، ودرجة العضوية 1000، لكل منطقة وهناك أيضا مؤشرا الخطي أو المصنف، والقيمة المتوقعة لكل منطقة داخل قيمة أربعة توقع حتى تكوين هو النواقل. ناقلات رباعية الابعاد المذكورة أعلاه وناقلات رباعية الابعاد التالية جوف المنتج، يتم اختيار القيمة المتوقعة للمنطقة الأولى، والراحة الحقيقية للمعالجة الرياضية تضم في عضويتها الناعمة التعبير بدلا من 1000 بهذه الطريقة الصعبة.
تعلم كيف تعلم هذا النموذج هو مشكلة رئيسية. واضاف نحن أيضا فن معامل الحزمة، مثل نموذج البيانات الكبيرة لديه القدرة على تحديد الميزة تلقائيا. في نهاية المطاف، سيتم تحويلها إلى مشاكل غير محدب غير سلسة، وهذا هو النموذج المقترح في عام 2011، الخوارزمية في عام 2012 على خط المرمى. كانت المشكلة غير محدب غير سلسة بأي حال من الأحوال جيدة، وأداء غير الرياضيات، وليس على نحو سلس في كل مكان، وليس هناك الفنية مشتق تراجع أيضا مشكلة رياضيا. ولكن ليس في كل مكان، في كل مكان في هذه الوظيفة دليل الاتجاه، ونحن نستخدم مشتق اتجاهي العثور على أسرع باتجاه الانخفاض وتسارع بطريقة شبه نيوتن. ويطلق اسم هذا العمل مختلط اللوجستي MLR الانحدار ، هل تقدر نسبة النقر إلى الظهور الطلاب قد تعرف من عمل مثل هذا. وهذا هو الأساس لاستكشاف في دراسة متعمقة للتطبيق في الإعلانية.
MLR هو عبارة عن شبكة العصبية ثلاث طبقات، متفرق على نطاق واسع مدخلات منفصلة يصبح المنتج الداخلي للمتجهين، متجهين يتم خياطة معا ناقلات طويلة، مع التكنولوجيا جزءا لا يتجزأ الحالية هي نفسها. إلى البيانات على نطاق واسع خاصة، وليس البيانات عملية التضمين إلى الفضاء في أي ناقلات، ناقلات الفضاء المستمر التوالي مع عمق هذا التعلم متعدد الطبقات المستقبلات، فمن السهل جدا في التعامل معها. الخطوة الأولى لمحاولة التعلم العميق هي تجربة مهمة جدا، كل ذلك من خلال دراسة تصميم عمق ناقلات الطبقة الوسطى التي تولدها MLR المستخرج، مباشرة وراء MLP القيام به، التسلل الى هذه النواقل كما متعدد الطبقات آلة المدخلات الحسية. هذا لا يعزز واقع الأمر، وذلك لسببين. النقطة الأولى، وMLR بطبيعتها وضع غير الخطية، النقطة الثانية، لأنه لا يوجد حد لنهاية التدريب.
الجزء الخلفي من اختراق، والتضمين للتعلم والتدريب وضع MLP معا نهاية لتعلم ، زيادة كبيرة جدا على التكنولوجيا الأصلي. وهذا ما يفسر أيضا لماذا عمق تعلم منذ ما يقرب من عقد من الزمن يكون اختراقات كبرى والتقدم. إذا لم يكن هناك نهاية التدريب، كل دورة تدريبية مع نموذج الضحلة تنتج ميزة إعادة التدريب ومن ثم تنتج طبقة ميزة كومة أسفل. قبل الكثير من الناس لا تحاول أن تأتي عبر مثل كومة عمق الشبكة، وحتى نهاية التعلم، بحيث نحصل على اختراق حول العديد من القضايا. نحن تضمين تجمع رأسي فوق الجزء العلوي هو MLP، يصبح علي ماما الجيل الأول من شبكة التعلم عميقة ، واستنادا إلى عشرات المليارات من العينات، مئات الملايين من أبعاد الميزة، ويتم تدريب متعددة GPU نهاية على خط من هذا القبيل من الأعمال. التأثير على خط ونسبة النقر إلى الظهور GMV هو واضح جدا.
قدم أمام التعلم الكلاسيكية مقارنة عمق داخل الإعلان موحدة، ثم اتجاهنا في بيانات الإنترنت، وكيفية تكون قادرة على القيام فهم أفضل للنموذج التعلم عمق من خلال سلوك المستخدم. هنا مثال، تحدثنا فقط عن التكنولوجيا جزءا لا يتجزأ، ووضع كل عنصر يمثل نقطة في الفضاء عن طريق دمج التكنولوجيا جزءا لا يتجزأ من سلسلة من الخصائص السلوكية لمجموعة من المستخدمين عن طريق دمج التكنولوجيا أعرب كنقطة، وهذا قد يمثل المستخدم. وتقول هذه النقطة المستخدم لجعل الحساب الختامي للدرجة الاهتمام مع البضائع، دعونا هذا الحساب يتناسب مع المسافة، ثم سيتم التعبير نقطة المستخدم من الاهتمام بوصفها وظيفة في هذا المجال والتي ستصبح ذروة ظيفة واحدة، يقع المستخدم نقطة من الفائدة بدلا من الحد الأقصى، وأبعد من أصغر درجة من الفائدة.
في الواقع، نحن في مصلحة المستخدم النهائي ليس ذروة واحدة؟ نحن لا أعتقد ذلك. لم يكن لديهم ضعف خبرة 11 تسوق؟ ليس داخل عربة التسوق لملء الكثير من أنواع مختلفة من السلع، مشيرا إلى مصالح المستخدم متنوعة، ونحن في العقدة الخاملة، وعادة ما توجد في مصلحة المستخدم هو أيضا متنوعون. سلوك المستخدم تسلسل هناك الكثير من متواليات من فئات مختلفة، كل قفزة المستخدم.
وبناء على هذه الرؤية، فإننا نقترح المستخدمين المهتمين في التوزيع المتعدد الوسائط من الشبكة العصبية التعلم العميق نأمل أن يصف المستخدمين أكثر اهتماما، كما كانت عليه من قبل استخراج متتالية جزئية . نحن نقوم تقدير نسبة النقر إلى الظهور عندما يكون المرشح البضائع، ونحن الحصول على مرشح السلع لتقدير لها نسبة النقر إلى الظهور عند استخدام هذا المنتج لعكس في تسلسل السلوك استخراج الذي يقدر كل كل تسلسل تسلسل التعليمات، بدلا من ذلك. لذلك سوف تكون قادرة على احتواء العديد معقدة داخل تسلسل متتالية جزئية، تسلسل الفرعية ذات الصلة المستخرجة شكل أعربت في متتالية جزئية ذات الصلة المرتبطة بهذا المنتج. ويمكن رؤية الفائدة المتعدد الوسائط في أي توزيع كسلعة للعثور على قمم أكثر حداثة من حساب الفائدة يقول، وربما العملية من هذا القبيل.
A اهتمام مماثل من التكنولوجيا لدينا تستخدم في الواقع من أجل تحقيق موضوع ذي صلة، ولكن أيضا تأثير تدفق على الظهور علي الأم، GMV مؤشرات هامة قد تحسنت بشكل كبير. للمستخدمين تصفح مجموعة متنوعة من المواد على شبكة الإنترنت، وعندما طبيعة المادة وراء ذلك من المهم جدا أن نفهم، على سبيل المثال، في بيئة الأعمال الكهرباء، مستخدمين البضائع الاستعراض، والكثير من الوقت لرؤية صورة لهذا المنتج في النهاية كيفية تحديد الخطوة التالية السلوك. لا يمكننا وضع هذه الصور على عمق معلومات الشبكة العصبية يمكن أن تفعل أفضل للمستخدم المهتمين في مجال النمذجة؟ طرح مثل هذا التحدي، أي سلوك من سلعة ID الصورة إلى سلعة، والتي عينة هي زيادة كمية البيانات عدد كبير جدا من المرات، ربما مع بايت ID بضعة بايت، إذا كان ذلك يصبح صورة، عدة مئات من K أو حتى تريليونات، وهذا هو ما لا يقل عن ألف مرة من كمية بيانات النمو. يحتاج الإنترنت البيانات على نطاق واسع عشرات أو مئات أو آلاف من الآلات في التدريب الموازي، توسيع كمية من انفجار البيانات آلاف المرات، حتى بالنسبة لشركة مثل علي بابا، وهذه مشكلة صعبة جدا في التعامل معها.
كيفية حل هذا التحدي؟ قمنا بتحليل متعمق تعلم الازياء موزعة الآن داخل وغالبا ما تسمى المعلمات خدمة الإنترنت (معلمة الخادم)، ولدي عينة اجتياز عينة عامل، عندما المعلمات اللازمة اتخذت من المعلمات من جانب الخادم. أنت لا تستطيع حساب من هذا القبيل؟ أولا، كانت الصورة موجودة في العينة، والتوسع آلاف المتفجرات من الأوقات غير مقبولة. سيفر وجود صورة بعيدة نهاية لذكرى زائدة عن الحاجة، والذاكرة لا يمكن حلها، والصور ذات الصلة تمر على مدى آلاف أضعاف كمية البيانات التوسع انفجر أيضا غير مقبول. يمكن أكثر من المعلمات تخزين الصور البعيدة والنائية ليست لإضافة نموذج لحل؟ صورة نموذجية لديها النهاية البعيدة، ونسبة النقر إلى الظهور عينات النموذج الرئيسي الفرعي النموذج، واجتاز جزء نموذج عامل نهاية نهاية البعيدة للصورة المصنعة، المطعمة اثنين من نموذج معا، نهاية لهذه الغاية لجعل القطار. وقال عادل، تجربة مهمة جدا، فقط وضع حد لها العمل. هذه ملامح الصورة في علي الأم داخل الكثير من الفرق تحاول، تصبح الصورة ميزة تضاف إلى داخل CTR نموذج التنبؤ، إذا CTR نموذج التنبؤ قوية جدا، حتى لا يكون هناك تأثير أي المضافة. نحن جعل مثل هذا التدريب، واقترح لنهاية نموذج الخادم توزيع جديد، والطريقة المعلمة نموذج التوزيع لتصبح موزعة بطريقة خادم الجانب ليس فقط المعلمات ولكن أيضا في حساب النماذج الفرعية، وسيتم تحديثها معا وينتهي العامل من طراز الرئيسي. وهذا هو الحال أن الصورة يمكن معالجتها في ناقلات نقل وبعد ذلك، عدة مرات، مئات المرات، كامل المبلغ للانتقال إلى أسفل، بحيث العملية برمتها يصبح التدريب المشترك ممكن. وزعت لاستكمال هذا التحدي من خلال التغييرات على الإطار، الأعمال الداخلية علي الأم على الانترنت وغير متصل، هناك تحسن كبير على الضربات الربحية أو منصة تجارية.
مع دراسة متعمقة حقيقية الموصى بها في نظام البحث إعلانات البحث التي سوف تلبي أو مشكلة مطابقة مشاكل استرجاع . وسيتم تقسيم مثل هذه الأعمال جانب تدفق بشكل عام إلى عدة وحدات، وبعد ذلك إلى تدفق، تدفق وراء عادة ما يمثل السلوك التصفح للمستخدم في مكان الحادث، وأول نموذج التنبؤ المباراة على الجزء الخلفي من سلعة معينة في السؤال الفائدة من التقديرات، يقدر نسبة النقر إلى الظهور، تقديرات معدل التحويل، وتقدر هناك بعض نوع من إظهار وراء الإعلان عن العطاءات، وإذا لا علاقة محاولة غير الإعلان. ولكننا لا يمكن أن تكون كاملة من توقعات كبيرة مكتبة مادية.
الافتراضات وراء عشرة مليارات المواد، يحتاج كل مستخدم للنقر على الانترنت لحساب معدل عشرة مليارات من المواد التي هي غير ممكن، أمام ضرورة وحدة مطابقة للحد، خفضت إلى بضعة آلاف، عشرة آلاف الآلاف، لدرجة أن الخط يمكن أن حساب. السابقة عملية استرجاع المباراة التي هي جزء من الحد الأعلى للأداء النظام ككل، تليها نموذج في أي حال القيام حساسة أخرى، مطابقة الضعفاء السابق، ثم الأهداف العامة لقطاع الأعمال لا يمكن أن تثار. ويمكن تقسيم طريقة مطابقة إلى ثلاث فئات. الاحصائيات ارشادي قواعد، هي الآن متطورة للغاية ويوصي كثيرا داخل مع نوع من تصفية التعاونية، سلعتين ستشهد تصفية التعاونية أكثر مماثلة كيف المباراة؟ بنود مماثلة للبضائع من خلال السلوك التاريخي لمباراة الطفل، لذلك كثير من الناس سوف تواجه مع توصية من هذا القبيل، على الرغم من أنه من السهل لتنفيذ شخصية للخدمات غير المخصصة سوف تتحسن إلى حد كبير من حيث المؤشرات، سيأخذ على سؤال، المستخدم كثيرا ما نرى مع السلوك التاريخي السلع المماثلة، التي قد يكون لها بعض المستخدمين يشكون الحال في العديد من داخل المشهد الموصى بها.
وهناك فكرة الطبيعية لتعزيز قدرة لتتناسب مع مقدمة لتعلم الآلة مقياس لدرجة الاهتمام العثور على أفضل المنتجات. إدخال تعلم الآلة، مشكلة حسابية صعبة لحل مكتبة كاملة، لذلك لدينا وسيلة لإدخال تدهور في آلة الزمن والتعلم، وإذا كان هذا النموذج هو نموذج في المنتج، المستخدم هو نقطة متجه، ويمكن لجميع المواد تمثل ناقلات نقطة وطراز المنتج الداخلي، وأخيرا إلى مسألة KNN تبحث عنه. كيفية العثور على أقرب جار؟ هناك محرك بحث ناقلات يمكن القيام به. نسبة النقر إلى الظهور والتي غالبا ما ميزات عبر والتوزيعات اهتمام المستخدمين، وهناك العديد من المتقدمين وضع التعلم العميق، لا توجد وسيلة لاستخدام. لكيف يمكننا استخدام أي نوع من التعلم العميق استرداد مكتبة كاملة من التحسين، واقترح مكتبة محرك البحث هيكل شجرة كاملة، فكرتها هي بديهية نسبيا، والمنتج كامل على النحو المنصوص عليه شجرة هرمية، مليار المنتجات، 30 طبقة شجرة ثنائية، والتي يمكن أن يترك طبقة تستوعب 2000000000 البضائع. لدينا طبقات التعلم العميق لكل المسح الضوئي، كل تجد الأمثل، العقدة الدنيا لا تستمر إلى حساب في طبقة من داخل الطفل غير الأمثل، أي ما يعادل التخلص منها حتى وجدت أخيرا مكتبة كاملة من أفضل، واحد مليار مرة 3000000000 مقياس لتصبح مقياسا أعلى لأسفل لمعالجة التعلم العميق كيفية العثور على أفضل المكتبات في المشكلة برمتها، حل مشكلة مطابقة واسترجاعها. هذه الطريقة يقارن جيلين أمام الطريقة، استدعاء الموصى بها هناك تحسن كبير جدا. وبالإضافة إلى ذلك، فإننا نوصي المستخدم لا يقتصر فقط على سلوك المواد تحت فئة جدا، مع فئة استدعاء جديد للقيام بتقييم شامل للحداثة ونذكر أسعار الفائدة. طريقة تصفية التعاونية من الجيل الأول بطريقة مثل هذه التقييمات تحسن ما يقرب من أربع مرات . هذا يتم حلها من الناحية الفنية المشكلة من كيفية تنفيذ عملية بحث مكتبة الكامل مع التعلم العميق.
تحديات المستقبل للمشاكل الموصى بها أو تجربة إعلانية ومشاكل البيانات المفقودة، وتعلم آلة الاحتياجات من البيانات التسمية التي هي البيانات المستهدفة، بيانات المستخدم هو الآن الهدف هو بالفعل أنتجت بعض بيانات النقرات شراء وهلم جرا. يمكننا القيام به لتحسين هذه المؤشرات، ونحن لا تصدر الكثير من الخبرة من الصعب تسمية الأمثل، فإنه يجعل من الصعب استخدام التعلم الآلي لفهم هذه القضايا. تجربة كيفية حل هذه المشكلة؟ مع خوارزمية التلقائي لاستخلاص وراء يتم وضع علامة على تجربة المستخدم من قبل الإنسان، مثل محرك بحث مع الفريق أهمية للاحتفال تجربة المستخدم أو من خلال التفاعل يسمح للمستخدمين لأخذ زمام المبادرة لردود الفعل؟ هذا هو الحاجة المستقبل لاستكشاف هذه المسألة.
تقييم الموصى بها ، بغض النظر عن الصناعة والأوساط الأكاديمية غالبا ما تستخدم لتقييم معدل تذكر، في استدعاء حقيقة تقييم فقط على أداء السلع المستخدم المستهلك، وكيفية تقييم تأثير فتيلة المنتجات الموصى الجديد للمستخدمين، وهذا لا ينعكس في تقييم التذكير. هناك توصيات من مشاكل في الدورة الدموية، أشياء كنت مهتما في وجهة نظرك أكثر من الخطوة التالية أوصى سيوصي أكثر وأكثر، وخسر في النهاية العديد من الاقتراحات الأخرى الأخرى التي قد تهمك. هناك العديد من السيناريوهات الموصى بها في العديد من APP، متعددة سيناريو كيف التعاونية؟ من وجهة نظر رجال الأعمال، في الواقع، كل الأعمال التجارية تواجه كل كمية هائلة من المستخدم، وكيفية الكشف عن العملاء المحتملين. وتواجه الشركات مع المستهلكين في جميع مراحل العملية التشغيلية، كيفية تحسين الابتكار الفائدة المحتملة على الساحة صلة بأكملها، شراء مرحلة، وهذا هو المشكلة التي تواجه الشركات أملا في حل تجاريا.
علي ماما واصل الفريق التقني التطور والابتكار في دراسة متعمقة. ونحن نسعى نتائج الأعمال، على أمل أن تفعل بعض الأشياء المختلفة فنيا وراء السعي لتحقيق نتائج الأعمال، على أمل أن تفعل بعض ابتكار نموذج الأعمال التجارية، وإذا كان هناك، ثم الطلاب المهتمين مدعوون الى الاتصال بنا. علي، استضافت يدها الأم في تيانتشى هذه الدورة علي ماما خوارزمية الاعلانات المنافسة الدولية، ونحن مهتمون مدعوون الى التحدي.
علي ماما المسابقة الدولية للإعلان الخوارزمية:
علي بابا (تاوباو، لينكس) هو أكبر منصة للتجارة الإلكترونية في الصين، وتوفير خدمات التداول جودة ملائمة لمئات الملايين من المستخدمين، ولكن أيضا تراكم كميات هائلة من البيانات المعاملة. علي بابا علي ماما الإعلانات التجارية، واستخدام هذه البيانات في السنوات القليلة الماضية استخدام التعلم العميق، والتعلم عبر الإنترنت، تعزيز التعلم، وتقنيات الذكاء الاصطناعي لبكفاءة ودقة التنبؤ شراء المستخدم نية، لتحسين فعالية تجربة تسوق المستخدم والمعلنين العائد على الاستثمار. ومع ذلك، والنظام البيئي المعقد، وسلوك المستخدم في تفضيلات منصة الأعمال الإلكترونية، وتوزيع السلع الأساسية الذيل طويل والتسويق وغيرها من العوامل لا تزال الأحداث الساخنة لتقدير يطرح معدل التحويل تحديا كبيرا. على سبيل المثال، خلال كرنفال التسوق 2-11، والشركات ومنصة لترويج يؤدي إلى تغييرات جذرية في توزيع تدفق في التدفق الطبيعي للنموذج التدريب لا يمكن أن تكون مباراة جيدة لهذه الحركة خاص. كيفية الاستفادة بشكل أفضل من كميات هائلة من البيانات المتعلقة بالمعاملات المالية بكفاءة والتنبؤ بدقة شراء المستخدم نية، والذكاء الاصطناعي والبيانات الكبيرة في سيناريوهات التجارة الإلكترونية بحاجة إلى الاستمرار في معالجة المشاكل التقنية.
عام 2018، المؤتمر الدولي المشترك علي ماما على الاصطناعي مشتركة الاستخبارات (IJCAI-2018) وعلي سحابة منصة تيانتشى، علي ماما بدء خوارزمية الإعلانات المنافسة الدولية لعلي الإعلانات التجارية الكهرباء للدراسة، وتوفير منصة البيانات كتلة مشهد حقيقي، من قبل لاعبين تكنولوجيا الذكاء الاصطناعي لبناء النماذج التنبؤية، ويقدر نية شراء المستعمل. الفائزون ليس فقط مكافآت ضخمة ورعايته السفر، ولكن أيضا لديها مؤهلات الرئيسي سيعقد IJCAI-2018 في يوليو تموز في ستوكهولم.
[] تاريخ المجتمع
جي وون AI صناعة التكنولوجيا + تجنيد المجتمع الجديد، رحب هبطت طلاب + AI صناعة تكنولوجيا الفائدة، بالإضافة إلى ليتل مساعد مايكرو إشارة: aiera2015_1 في المجموعة، وإذا سيدعى في المجموعة المعتمدة، تأكد من تعديل المجموعة بعد الانضمام إلى المجتمع الملاحظات (الاسم - الشركة - فرص العمل، مجموعة المهنية للمراجعة أكثر صرامة، يرجى فهم).
