正文

人工智能預(yù)測算法（人工智能預(yù)測算法實例）

發(fā)布時間：2023-03-12 22:42:26 稿源：創(chuàng)意嶺閱讀： 98 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于人工智能預(yù)測算法的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費在線使用，能給你生成想要的原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

你只需要給出你的關(guān)鍵詞，它就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端，官網(wǎng)：https://ai.de1919.com

本文目錄:

1、"如何評估利用人工智能算法進(jìn)行股票選購的有效性和可靠性？"
2、人工智能算法？
3、人工智能的數(shù)據(jù)、算法和處理，三者缺一不可
4、生活中的人工智能之搜索和推薦算法

人工智能預(yù)測算法（人工智能預(yù)測算法實例）

一、"如何評估利用人工智能算法進(jìn)行股票選購的有效性和可靠性？"

評估利用人工智能算法進(jìn)行股票選購的有效性和可靠性需要考慮以下幾個方面：

1.數(shù)據(jù)質(zhì)量：所用的數(shù)據(jù)是否經(jīng)過有效篩選和清洗，并且數(shù)據(jù)是否全面、真實、可靠。

2.算法準(zhǔn)確性：所使用的人工智能算法是否準(zhǔn)確，并且是否在歷史數(shù)據(jù)上測試過。

3.實驗設(shè)計：選擇一定的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，并對訓(xùn)練結(jié)果進(jìn)行評估，同時對實際應(yīng)用效果進(jìn)行跟蹤和評估。

4.投資策略評估：評估算法給出的股票選購是否符合投資策略，并能否獲得可接受的投資回報。

5.風(fēng)險管理：評估算法能否有效地管理投資風(fēng)險，限制投資損失。

需要注意的是，股票市場存在著復(fù)雜的變化和波動，尤其是外部政策因素的干擾，因此人工智能算法無法百分百準(zhǔn)確預(yù)測股市變化，只能提供參考，投資者需要結(jié)合個人判斷和市場情況進(jìn)行投資決策。

二、人工智能算法？

算法就分很多類，這里拿“合一”來作為介紹，為了應(yīng)用推理規(guī)則（比如取式假言推理)，推理系統(tǒng)必須能夠判斷兩個表達(dá)式何時相同，也就是這兩個表達(dá)式何時匹配。在命題演算中，這是顯而易見的:兩個表達(dá)式是匹配的當(dāng)且僅當(dāng)它們在語句構(gòu)成上相同。在謂詞演算中，表達(dá)式中變量的存在使匹配兩個語句的過程變得復(fù)雜。全稱例化允許用定義域中的項來替換全稱量化變量。這需要一個決策處理來判斷是否可以使變量替換產(chǎn)生的兩個或更多個表達(dá)式相同〈通常是為了應(yīng)用推理規(guī)則)。合一是一種判斷什么樣的替換可以使產(chǎn)生的兩個謂詞演算表達(dá)式匹配的算法。我們在上-一節(jié)中已經(jīng)看到了這個過程，VX( man(X)=mortal(X))中的×替換成了man( socrates)中的 soc-rates。合一和像假言推理這樣的推理規(guī)則允許我們對一系列邏輯斷言做出推理。為了做到這一點，必須把邏輯數(shù)據(jù)庫表示為合適的形式。這種形式的一個根本特征是要求所有的變量都是全稱量化的。這樣便允許在計算替代時有完全的自由度。存在量化變量可以從數(shù)據(jù)庫語句中消除，方法是用使這個語句為真的常量來替代它們。如，可以把3× parent( X, tom)替代為表達(dá)式parent( bob, tom)或parent( mary , tom) ，假定在當(dāng)前解釋下bob和 mary是tom的雙親。消除存在量化變量的處理會因這些替換的值可能依賴于表達(dá)式中的其他變量而變得復(fù)雜。

三、人工智能的數(shù)據(jù)、算法和處理，三者缺一不可

有人認(rèn)為，數(shù)據(jù)就宛如人工智能的汽油，重點應(yīng)該是干凈的數(shù)據(jù)、數(shù)據(jù)科學(xué)和對數(shù)據(jù)含義的深刻理解。

有些人說，沒有來龍去脈的數(shù)據(jù)是沒有意義的，這些數(shù)據(jù)的來龍去脈可以是其他數(shù)據(jù)、模型/算法或處理流程。

讓我們以一種簡潔的方式探究這些人工智能的要素，以發(fā)現(xiàn)每種視角的優(yōu)點。

數(shù)據(jù)

數(shù)據(jù)是起點，因為它是非常有用的資產(chǎn)。

不管真假，人們都認(rèn)為數(shù)據(jù)承載著知識，而利用這些知識將有利于那些善于研究數(shù)據(jù)的人。

對人工智能來說，從數(shù)據(jù)開始，并通過從中學(xué)習(xí)來利用優(yōu)勢，是有意義的。在數(shù)據(jù)量大、速度快的時代，使用數(shù)據(jù)來訓(xùn)練人工智能十分便捷。

企業(yè)在商業(yè)智能方面有著悠久的歷史，很多工作都圍繞著數(shù)據(jù)展開。對于人工智能來說也沒什么不同。

原始數(shù)據(jù)一般通過數(shù)據(jù)采集獲得，隨后的數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)注相當(dāng)于對數(shù)據(jù)進(jìn)行加工，然后輸送到人工智能算法和模型里進(jìn)行調(diào)用。

人工智能訓(xùn)練所用的數(shù)據(jù)如果沒有保證足夠的多樣化和無偏性，就有可能產(chǎn)生人為的”AI偏見”等問題。

國內(nèi)的京東眾智、百度眾包、覺醒向量等都是專注于AI數(shù)據(jù)的智能眾包平臺。

算法

理解算法相對于自然環(huán)境下的靜態(tài)數(shù)據(jù)的優(yōu)勢是很重要的。

事實上，組織可以通過優(yōu)化其業(yè)務(wù)的算法獲得優(yōu)勢。找到合適的公式、統(tǒng)計模型或預(yù)測是真正的商業(yè)藝術(shù)。

這些算法受到組織的保護(hù)，通常被認(rèn)為是成功的秘密武器。

雖然它們依賴于干凈的數(shù)據(jù)，但數(shù)學(xué)或邏輯中隱含的規(guī)則才是許多行業(yè)的真正區(qū)別所在。

如果沒有精算師和他們寶貴的算法，保險業(yè)將何去何從?人工智能也不例外。

機(jī)器學(xué)習(xí)的常用算法包括決策樹、隨機(jī)森林算法、邏輯回歸、SVM、樸素貝葉斯、K最近鄰算法、K均值算法、Adaboost算法、神經(jīng)網(wǎng)絡(luò)、馬爾可夫。

人工智能的算法按照模型訓(xùn)練方式和解決任務(wù)的不同可以分為好幾類，其中需要考慮的因素包括數(shù)據(jù)本身的數(shù)量、質(zhì)量和特點，具體業(yè)務(wù)場景中的問題，計算時間及精度要求等。

處理過程

正確的步驟或任務(wù)、適當(dāng)?shù)姆绞綄τ谌〉玫慕Y(jié)果質(zhì)量是至關(guān)重要的。

無論處理過程(process)是靜態(tài)的、可重復(fù)的，還是動態(tài)的、緊急的，都沒有區(qū)別。

知道下一步的最佳行動是獲得最佳業(yè)務(wù)結(jié)果的關(guān)鍵。

好的處理過程就是在正確的時間使用正確的數(shù)據(jù)和算法。

由于流程的精確性，業(yè)務(wù)結(jié)果肯定是準(zhǔn)確的，并且可以通過使用各種形式的監(jiān)督的透明反饋周期進(jìn)行適當(dāng)?shù)恼{(diào)整。

三者缺一不可?

真正的結(jié)論是，要想獲得長期的成功，你需要這三者。人們可以先從其中一個要素開始，接著添加其他要素。

隨著機(jī)器學(xué)習(xí)逐漸展現(xiàn)出其威力，許多人工智能項目都是從數(shù)據(jù)開始的。

但隨著人工智能的發(fā)展，算法和處理過程也將成為不可忽視的要素。

基于數(shù)據(jù)的人工智能目前運行良好，隨著問題的復(fù)雜性和范圍的擴(kuò)大，算法和處理流程的重要性將會凸顯。

如同三角形需要三條邊來穩(wěn)定形狀，人工智能也將需要全部的三要素來完善自身。

來源（今日頭條）

四、生活中的人工智能之搜索和推薦算法

姓名：陳心語學(xué)號：21009102266 書院：海棠1號書院

轉(zhuǎn)自：人工智能在搜索中的應(yīng)用_u014033218的專欄-CSDN博客

人工智能在搜索的應(yīng)用和實踐_qq_40954115的博客-CSDN博客

【嵌牛導(dǎo)讀】日常生活中的搜索和推薦算法也與人工智能有所關(guān)聯(lián)，讓我們一起來看看吧！

【嵌牛鼻子】人工智能運用于搜索和推薦算法。

【嵌牛提問】人工智能在搜索和推薦算法中有什么運用呢？

【嵌牛正文】

智能交互

智能交互有三個方面的這部分組成，第一個就是Query推薦，這是比較古老的課題；第二個做智能導(dǎo)購，這是現(xiàn)在正在做的一個原形，后面我會講為什么做智能導(dǎo)購；第三個內(nèi)容的展示和個性化的創(chuàng)意。就是說你把商品怎么展示給用戶，也是我們認(rèn)為是交互的一部分。

第一個是Query推薦，這個問題怎么來抽象呢？Query推薦是一個用戶當(dāng)前Query下面我們怎么推薦其它Query，這是我們相關(guān)搜索一樣的。我們推薦這樣的一個Query以后，如果用戶一旦點了其中的一個Query，用戶的狀態(tài)就會發(fā)生變化，從當(dāng)前的Query跳到另外一個Query，這是用戶狀態(tài)的變化。第二個就是說我們怎么評價我們推薦的Query的好壞，它由幾部分組成，一個Query有沒有被點，第二個就是說推薦Query里面，它的SRP頁會不會點，因為Query推薦本質(zhì)上不是Query推薦做的最好就是最好的，它是說最終要在搜索SRP用戶有沒有買，有沒有點擊，這才是做的好的，這是第二個收益。還有一個更加間接的，通過Query推，這個狀態(tài)轉(zhuǎn)到下一個狀態(tài)以后，這個里面還會推其它Query，還會有其它點擊，這個時候也是個間接推薦。如果我不推Query就不能到這個狀態(tài)，不到狀態(tài)不會有這個Query，不會有這個收益。我們了解，這就是典型的一個馬爾科夫決策過程，我們是用強(qiáng)化學(xué)習(xí)來做的，Actions就是我們的Query list，根據(jù)用戶和當(dāng)前Query推薦其他Query，狀態(tài)就是User + Query，收益就是包括推薦Query擊，還有一個間接收益，間接收益通過bellman 公式可以算出來，這就是一個DQN的強(qiáng)化學(xué)習(xí)項目。

智能導(dǎo)購

現(xiàn)在的搜索呈現(xiàn)的問題就是說，如果去看搜索的Query都是一些品類詞、品牌詞、型號詞或者屬性詞。假定用戶他知道買什么再來搜索搜，但是有各很大的東西用戶不知道買什么嗎？智能導(dǎo)購就是做做一個類似智能導(dǎo)購機(jī)器人的產(chǎn)品，引導(dǎo)用戶怎么搜，用戶也可以主動問，獲取知識或購物經(jīng)驗。這是后臺的算法的一個原形，不久后會上線。

智能內(nèi)容

因為淘寶的商品，賣家為了適應(yīng)我們的引擎，做了大量的SEO，里面都是羅列熱門的關(guān)健詞，導(dǎo)致問題淘寶的標(biāo)題沒什么差異，都寫的差不多，看標(biāo)題也不知道什么東西，或者知道但里面沒有很多特色的內(nèi)容。我們做智能內(nèi)容很重要的出發(fā)點是怎么從商品的評價、詳情頁、屬性里面挖出一些比較有賣點，或者商品比較有特色的東西展示給用戶，讓用戶更好的了解商品，這是第一個。第二個淘寶上面還有類似商品聚合的，比如清單，生成一個清單，怎么給清單生成一個比較好的導(dǎo)入的描述，讓用戶描述這個清單干什么。這里面主要做了這兩個事情。具體怎么做的？一個會生成一些Topic，比如行業(yè)運營加上我們挖的一些點，比如像手機(jī)一般大家關(guān)注點會是手機(jī)的性價比，拍照是不是清晰，還有速度是不是快，是不是發(fā)熱什么的，這是用戶關(guān)注的興趣點。然后它會根據(jù)這個商品會選擇一個興趣點，通過Seq2seq生成短文本。

語義搜索

我們的商品屬性基本上是比較標(biāo)準(zhǔn)化的，因為這里淘寶有一個這樣的商品庫，非標(biāo)準(zhǔn)化的內(nèi)容是沒法上傳的。導(dǎo)致的問題是我們的商品內(nèi)容相對來說是比較規(guī)范化的，但是用戶的輸入的Query不是這樣的，比如我這里舉一些例子，比如一個新品有各種表達(dá)，2017新品，2017冬季新品，是吧？新品，有很多的表達(dá)。所以就是從從用戶的需求跟商品的內(nèi)容，就存在了一個語義的Gap。還有我們經(jīng)常舉例，比如三口之家用的電飯鍋，很多這種語義的問題，這個語義從語義角度解決語義Match的事情。

大概會有這么幾個方面。比如一個就是意圖的理解，還有意圖的Mapping，比如大容量冰箱，首先知道大的是跟冰箱的容量相關(guān)的，冰箱是個類目，最后要Mapping到人的冰箱，把‘大’改寫成一個容量大于多少升，類目是冰箱這樣才能夠比較好的解決我們這個搜索的這個召回的問題。第二個語義理解，這里面包括Query和商品都要做語義理解，比如通過image tagging計算從圖片里面抽取很多文本的語義標(biāo)簽補(bǔ)充到商品文本索引中。第三個就是現(xiàn)在有這個端到端的深度學(xué)習(xí)技術(shù)來直接學(xué)Query和商品的Similarity，通過端到端的深度學(xué)習(xí)技術(shù)來做語義的召回和語義的相關(guān)性。

智能匹配

主要就是講個性化，做個性化的首要就是個性化數(shù)據(jù)。個性化本質(zhì)上就是說以用戶為中心構(gòu)建用戶的標(biāo)簽，用戶的行為，還有用戶的偏好，再通過這些數(shù)據(jù)找到，去Match到商品，比如說你看過相似商品，典型的協(xié)同過濾，還有你偏好的品牌的其它商品。那就是基于這些經(jīng)歷了一個以用戶為中心的電商圖譜，這里面還加了一些輔助的數(shù)據(jù)，比如商品的相似度，店鋪之間的相似度，這樣構(gòu)建了我們這樣的叫電商圖譜。

個性化召回與向量化召回

召回是這樣的，首先從咱們的電商圖譜里取出用戶的信息，包括比如說年齡性別，還有當(dāng)?shù)販囟仁嵌嗌伲€有行為足跡等等之類的，社交現(xiàn)在沒用了，因為這是幾年前社交特別火，什么都要摻和一下，其實社交，信息的社交到電商其實風(fēng)馬牛不相及的領(lǐng)域，沒有任何價值。所以現(xiàn)在好友這東西幾乎沒有用。因為不同Query中，用戶信息重要性是不一樣的，我們根據(jù)上下文會做用戶信息的篩選或者排序，會找出比較重要的信息做個性化召回。以上是淘寶商品索引結(jié)構(gòu)，傳統(tǒng)的搜索關(guān)鍵字是通過搜索關(guān)鍵字召回，而個性化商品索引，除了Query還會有商品簇，簇與簇之間的關(guān)系，品牌店鋪等等之類的，會加很多個性化的特征做召回，通過這種帶的好處是召回的結(jié)果跟用戶是直接相關(guān)的，就召回這一步帶來個性化。

但是這種基于行為召回還是存在一個問題的。最重要的問題它的泛化能力會比較差。最典型的比如說你通過協(xié)同過濾來做，如果兩個商品，沒有用戶同時看過的話，這兩個商品你認(rèn)為他們相似度是零，這個結(jié)論是錯的，但是如果通過協(xié)同過濾就有這個問題。我們今年實現(xiàn)了向量化召回，包括兩步：一個是Similarity learning，通過這個深度學(xué)習(xí)做端到端的Similarity learning，就會把這個我們的User 和Item會變成一個向量；第二步就是做向量化召回，比如層次聚類，隨機(jī)游走，learning to hash等,這樣的話就是說會極大的提升召回的深度。

個性化工作

在個性化領(lǐng)域其實最重要的一個核心的問題就是怎么去理解用戶，怎么感知用戶和預(yù)測用戶行為及偏好。

首先是數(shù)據(jù)，用戶在淘寶有兩個中類型重要的基本信息：一個是用戶標(biāo)簽，比如年齡、性別、職業(yè)等；第二是用戶足跡，比如點過，買過的商品，店鋪等；

其次是用戶感知要和搜索上下文相關(guān)，即這個用戶的表征和要用戶搜索意圖相關(guān)；

第三是搜索有很多差異化的任務(wù)，比如用戶消費能力的預(yù)估， User到Item的CTR預(yù)估和用戶購物狀態(tài)預(yù)估等，是為每個任務(wù)做個端到端的深度學(xué)習(xí)模型還是用統(tǒng)一的用戶表征來完成不同的Task？如果每一個任務(wù)都做端到端深度學(xué)習(xí)會有很多問題，比如離線和在線的性能開銷會大很多，或部分任務(wù)樣本太少。

如圖是用戶感知深度模型，輸入X是用戶的點擊行為序列，下一步是embedding，embedding完以后，通過LSTM把用戶行為序列做embedding，因為在搜索用戶感知和Query相關(guān)，所以加入query 的 attention層，選擇和當(dāng)前query有關(guān)系的行為，表征完是Multi-task learning 網(wǎng)絡(luò)。整個這個網(wǎng)絡(luò)的參數(shù)大概有一百億個參數(shù)，我在雙11我們還實現(xiàn)了在線學(xué)習(xí)。

算法包括智能交互、語義搜索、智能匹配和搜索策略四個方向。

智能交互

商品搜索就是帶交互的商品推薦，用戶通過關(guān)鍵字輸入搜索意圖，引擎返回和搜索意圖匹配的個性化推薦結(jié)果，好的交互技術(shù)能夠幫助到用戶更好的使用搜索引擎，目前搜索的交互主要是主動關(guān)鍵字輸入和關(guān)鍵字推薦，比如搜索框中的默認(rèn)查詢詞和搜索結(jié)果中的文字鏈等，推薦引擎根據(jù)用戶搜索歷史、上下文、行為和狀態(tài)推薦關(guān)鍵字。和商品推薦的區(qū)別是，關(guān)鍵字推薦是搜索鏈路的中間環(huán)節(jié)，關(guān)鍵字推薦的收益除了關(guān)鍵字的點擊行為外，還需要考慮對整個購物鏈路的影響，包括在推薦關(guān)鍵字的后續(xù)行為中是否有商品點擊、加購和成交或跳轉(zhuǎn)到另外一個關(guān)鍵字的后繼行為，這是一個典型的強(qiáng)化學(xué)習(xí)問題，action 是推薦的關(guān)鍵字候選集合，狀態(tài)是用戶當(dāng)前搜索關(guān)鍵詞、上下文等，收益是搜索引導(dǎo)的成交。除了被動的關(guān)鍵字推薦，我們也在思考搜索中更加主動的交互方式，能夠做到像導(dǎo)購員一樣的雙向互動，主動詢問用戶需求，挑選個性化的商品和給出個性化的推薦理由，目前我們已經(jīng)在做智能導(dǎo)購和智能內(nèi)容方向的技術(shù)原型及論證，智能導(dǎo)購在技術(shù)上主要是借鑒對話系統(tǒng)，通過引導(dǎo)用戶和引擎對話與關(guān)鍵字推薦方式互為補(bǔ)充，包括自然語言理解，對話策略，對話生成，知識推理、知識問答和商品搜索等模塊，功能主要包括：a. 根據(jù)用戶搜索上下文生成引導(dǎo)用戶主動交互的文本，比如搜索“奶粉”時，會生成“您寶寶多大？0~6個月，6個月到1歲….”引導(dǎo)文案，提示用戶細(xì)化搜索意圖，如果用戶輸入“3個月”后，會召回相應(yīng)段位的奶粉，并在后續(xù)的搜索中會記住對話狀態(tài)“3個月”寶寶和提示用戶“以下是適合3個月寶寶的奶粉”，b. 知識導(dǎo)購，包含提高售前知識問答或知識提示，比如“3個月寶寶吃什么奶粉” 回答“1段”，目前對話技術(shù)還不太成熟，尤其是在多輪對話狀態(tài)跟蹤、知識問答和自動評價幾個方面，但隨著深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和生成對抗學(xué)習(xí)等技術(shù)在NLP、對話策略、閱讀理解等領(lǐng)域的應(yīng)用，越來越多的訓(xùn)練數(shù)據(jù)和應(yīng)用場景，domain specific 的對話技術(shù)未來幾年應(yīng)該會突飛猛進(jìn)；智能內(nèi)容生成，包括生成或輔助人工生成商品和清單的“賣點”，短標(biāo)題和文本摘要等，讓淘寶商品表達(dá)更加個性化和多元化。

語義搜索

語義搜索主要是解決關(guān)鍵字和商品內(nèi)容之間的語義鴻溝，比如搜索“2~3周歲寶寶外套”，如果按照關(guān)鍵字匹配召回結(jié)果會遠(yuǎn)小于實際語義匹配的商品。語義搜索的范圍主要包括：a. query tagging和改寫，比如新品，年齡，尺碼，店鋪名，屬性，類目等搜索意圖識別和歸一化，query tagging模型是用的經(jīng)典的序列標(biāo)注模型 bi-lstm + CRF，而標(biāo)簽分類（歸一化）作為模型另外一個任務(wù)，將序列標(biāo)注和分類融合在一起學(xué)習(xí)；b. query 改寫，主要是計算query之間相似度，把一個query改寫成多個語義相似的query，通常做法是先用不同改寫策略生成改寫候選query集合，比如詞替換、向量化后top k、點擊商品相似度等，然后在用ltr對后續(xù)集合排序找出合適的改寫集合，模型設(shè)計和訓(xùn)練相對簡單，比較難的是如何構(gòu)建高質(zhì)量的訓(xùn)練樣本集合，線上我們用bandit 的方法探測部分query 改寫結(jié)果的優(yōu)劣，離線則用規(guī)則和生成對抗網(wǎng)絡(luò)生成一批質(zhì)量較高的樣本； c. 商品內(nèi)容理解和語義標(biāo)簽，通過商品圖片，詳情頁，評價和同義詞，上下位詞等給商品打標(biāo)簽或擴(kuò)充商品索引內(nèi)容，比如用 image tagging技術(shù)生成圖片的文本標(biāo)簽豐富商品內(nèi)容，或者更進(jìn)一步用直接用圖片向量和文本向量融合，實現(xiàn)富媒體的檢索和查詢；d. 語義匹配，經(jīng)典的DSSM 模型技術(shù)把query 和商品變成向量，用向量內(nèi)積表達(dá)語義相似度，在問答或閱讀理解中大量用到多層LSTM + attention 做語義匹配，同樣高質(zhì)量樣本，特別是高質(zhì)量負(fù)樣本很大程度上決定了模型的質(zhì)量，我們沒有采樣效率很低的隨機(jī)負(fù)采樣，而是基于電商知識圖譜，通過生成字面相似但不相關(guān)的query及相關(guān)文檔的方法生成負(fù)樣本。從上面可以看到query tagging、query相似度、語義匹配和語義相關(guān)性是多個目標(biāo)不同但關(guān)聯(lián)程度非常高的任務(wù)，下一步我們計劃用統(tǒng)一的語義計算框架支持不同的語義計算任務(wù)，具體包括1. 開發(fā)基于商品內(nèi)容的商品表征學(xué)習(xí)框架，為商品內(nèi)容理解，內(nèi)容生成，商品召回和相關(guān)性提供統(tǒng)一的商品表征學(xué)習(xí)框架，重點包括商品標(biāo)題，屬性，詳情頁和評價等文本信息抽取，圖像特征抽取和多模信號融合；2. query 表征學(xué)習(xí)框架，為query 類目預(yù)測，query改寫，query 推薦等提供統(tǒng)一的表征學(xué)習(xí)框架，重點通過多個query 相似任務(wù)訓(xùn)練統(tǒng)一的query表征學(xué)習(xí)模型；3. 語義召回，語義相關(guān)性等業(yè)務(wù)應(yīng)用模型框架。語義搜索除了增加搜索結(jié)果相關(guān)性，提升用戶體驗外，也可以一定程度上遏制淘寶商品標(biāo)題堆砌熱門關(guān)鍵詞的問題。

智能匹配

這里主要是指個性化和排序。內(nèi)容包括：a. ibrain (深度用戶感知網(wǎng)絡(luò))，搜索或推薦中個性化的重點是用戶的理解與表達(dá)，基于淘寶的用戶畫像靜態(tài)特征和用戶行為動態(tài)特征，我們基于multi-modals learning、multi-task representation learning以及LSTM的相關(guān)技術(shù)，從海量用戶行為日志中直接學(xué)習(xí)用戶的通用表達(dá)，該學(xué)習(xí)方法善于“總結(jié)經(jīng)驗”、“觸類旁通”，使得到的用戶表達(dá)更基礎(chǔ)且更全面，能夠直接用于用戶行為識別、偏好預(yù)估、個性化召回、個性化排序等任務(wù)，在搜索、推薦和廣告等個性化業(yè)務(wù)中有廣泛的應(yīng)用場景，感知網(wǎng)絡(luò)超過10B個參數(shù)，已經(jīng)學(xué)習(xí)了幾千億次的用戶行為，并且會保持不間斷的增量學(xué)習(xí)越來越聰明； b. 多模學(xué)習(xí)，淘寶商品有文本、圖像、標(biāo)簽、id 、品牌、類目、店鋪及統(tǒng)計特征，這些特征彼此有一定程度的冗余和互補(bǔ)，我們利用多模學(xué)習(xí)通過多模聯(lián)合學(xué)習(xí)方法把多維度特征融合在一起形成統(tǒng)一的商品標(biāo)準(zhǔn)，并多模聯(lián)合學(xué)習(xí)中引入self-attention實現(xiàn)特征維度在不同場景下的差異，比如女裝下圖片特征比較重要，3C下文本比較重要等；c. deepfm，相對wide & deep 模型，deepfm 增加了特征組合能力，基于先驗知識的組合特征能夠應(yīng)用到深度學(xué)習(xí)模型中，提升模型預(yù)測精度；d. 在線深度排序模型，由于行為類型和商品重要性差異，每個樣本學(xué)習(xí)權(quán)重不同，通過樣本池對大權(quán)重樣本重復(fù)copy分批學(xué)習(xí)，有效的提升了模型學(xué)習(xí)穩(wěn)定性，同時通過融合用戶狀態(tài)深度ltr模型實現(xiàn)了千人千面的排序模型學(xué)習(xí)；e. 全局排序，ltr 只對單個文檔打分然后按照ltr分?jǐn)?shù)和打散規(guī)則排序，容易導(dǎo)致搜索結(jié)果同質(zhì)化，影響總頁效率，全局排序通過已知排序結(jié)果做為上下文預(yù)測下一個位置的商品點擊概率，有效提升了總頁排序效率；f. 另外工程還實現(xiàn)了基于用戶和商品向量的向量召回引擎，相對倒排索引，向量化召回泛化能力更強(qiáng)，對語義搜索和提高個性化匹配深度是非常有價值的。以上實現(xiàn)了搜索從召回、排序特征、排序模型、個性化和重排的深度學(xué)習(xí)升級，在雙11無線商品搜索中帶來超過10% (AB-Test)的搜索指標(biāo)提升。

智能決策

搜索中個性化產(chǎn)品都是成交最大化，導(dǎo)致的問題是搜索結(jié)果趨同，浪費曝光，今年做的一個重要工作是利用多智能體協(xié)同學(xué)習(xí)技術(shù)，實現(xiàn)了搜索多個異構(gòu)場景間的環(huán)境感知、場景通信、單獨決策和聯(lián)合學(xué)習(xí)，實現(xiàn)聯(lián)合收益最大化，而不是此消彼長，在今年雙11中聯(lián)合優(yōu)化版本帶來的店鋪內(nèi)和無線搜索綜合指標(biāo)提升12% (AB-Test)，比非聯(lián)合優(yōu)化版本高3% (AB-Test)。

性能優(yōu)化

在深度學(xué)習(xí)剛起步的時候，我們意識到深度模型inference 性能會是一個瓶頸，所以在這方面做了大量的調(diào)研和實驗，包括模型壓縮(剪枝)，低秩分解，量化和二值網(wǎng)絡(luò)，由于缺少相應(yīng)的指令集和硬件支持，最終只在個別場景下上線，期待支持低精度矩陣計算和稀疏矩陣計算的硬件早日出現(xiàn)。

未來計劃

通用用戶表征學(xué)習(xí)。前面介紹的DUPN 是一個非常不錯的用戶表征學(xué)習(xí)模型，但基于query 的attention 只適合搜索，同時缺少基于日志來源的attention，難以推廣到其他業(yè)務(wù)，在思考做一個能夠適合多個業(yè)務(wù)場景的用戶表征模型，非搜索業(yè)務(wù)做些簡單fine tuning 就能取得比較好的效果；同時用戶購物偏好受季節(jié)和周期等影響，時間跨度非常大，最近K個行為序列假設(shè)太簡單，我們在思考能夠做life-long learning 的模型，能夠?qū)W習(xí)用戶過去幾年的行為序列；搜索鏈路聯(lián)合優(yōu)化。從用戶進(jìn)入搜索到離開搜索鏈路中的整體優(yōu)化，比如搜索前的query 引導(dǎo)（底紋），搜索中的商品和內(nèi)容排序，搜索后的 query推薦（錦囊）等場景；跨場景聯(lián)合優(yōu)化。今年搜索內(nèi)部主搜索和店鋪內(nèi)搜索聯(lián)合優(yōu)化取得了很好的結(jié)果，未來希望能夠拓展在更多大流量場景，提高手淘的整體購物體驗；多目標(biāo)聯(lián)合優(yōu)化。搜索除了成交外，還需要承擔(dān)賣家多樣性，流量公平性，流量商業(yè)化等居多平臺和賣家的訴求，搜索產(chǎn)品中除了商品搜索外還有“穹頂”，“主題搜索”，“錦囊”，“內(nèi)容搜索”等非商品搜索內(nèi)容，不同搜索目標(biāo)和不同內(nèi)容（物種）之間的聯(lián)合優(yōu)化未來很值得深挖。

以上就是關(guān)于人工智能預(yù)測算法相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。