搜索 | 会员  
  • AI目前在不同行业有各自的细分应用。对话机器人,针对不同的业务场景,有每个领域的细分落地。由此,对于对话机器人的整体设计思路也不同。
  • 如果您曾经参与过数据科学项目,那么您可能会意识到数据挖掘的第一步和主要步骤是数据预处理。在现实生活问题中,我们得到的原始数据往往非常混乱,机器学习模型无法识别模式并从中提取信息。
  • 有的人可以徒手推导机器学习算法公式,可以深入源码了解算法的实现,又或者在Kaggle比赛中获得不错的名次,但在实际的项目中却走得“步履蹒跚”,究其根本原因是机器学习知识体系还不完善。
  • 人工智能(ArtificialIntelligence,AI),从科学的角度来说,人工智能是研究爱、开发用于模拟、延伸和扩展人类智能的理论与方法、技术应用系统的一门科学。这么科学主要包括语音识别、图像识别
  • 推荐系统也有自己的健康指标,不同的业务、不同的场景、不同的阶段都有不同的指标,所以选择好的评估指标以及合适的评估方式,才能让推荐系统更加“健康”。
  • 随着互联网业务的发展,产生了大量的数据,数据经过分析会推动业务的发展。将数据中蕴含的知识用图的结构表示出来,就形成了知识图谱。
  • 本文详细分析了在信息流推荐中,传统NLP做内容理解时的局限性,以及新的要求。我们通过对实际用户行为的分析,总结了一套基于兴趣点图谱的内容理解方案
  • 知识图谱的构建包括逻辑建模、隐含空间分析、人机交互和本体模型支撑等多种方法。我们将分析各种构建方法的问题和挑战,指出自动构建的要素和应用场景。
  • 知识图谱是一个比较新的工具,它的主要作用还是在于分析关系,尤其是深度的关系。所以在业务上,首先要确保它的必要性,其实很多问题可以用非知识图谱的方式来解决。
  • 在互联网的排序业务中,比如搜索、推荐、广告等,AUC(AreaundertheCurveofROC)是一个非常常见的评估指标。
  • 知识图谱一直是研究的热点,东南大学漆桂林老师等发表了一篇关于中文知识图谱构建的综述论文,详细讲述了当前中文知识图谱的研究进展,是非常好的学习资料
  • 推荐系统在本质上是一个信息检索的系统。它和搜索最大的区别是,搜索是主动式的,根据关键词和引擎参数、搜索引擎召回、机器学习排序,决定给你看到的是哪些内容。而我们看到的推荐系统,在大多
  • 推荐架构大同小异,主要包含召回、排序、策略三部分。召回:通过各种业务抓手粗选出用户可能感兴趣的东西。排序:结合用户已有信息、场景信息、推荐内容信息,使用模型算法排序,满足核心业务目
  • 对于音频与视频这种内容,即使在加速的情况下也需要一定的时间来听完、看完音频和视频内容才能够进一步理解它。如果采取人力处理这些问题会遇到困难,我们就可以借助于机器辅助人来进行处理。
  • 为了训练模型,我们需要一种可降低模型损失的好方法。迭代方法是一种广泛用于降低损失的方法,而且使用起来简单有效。迭代学习可能会让您想到“HotandCold”这种寻找隐藏物品(如顶针)的儿童游
  • 地图
  • 本站
  • 我们
  • 服务
  • 版权
  • 联系
  • 回馈
  • 博客