WeChat'in makine öğrenimi ve yapay zeka uygulama uygulaması
Takip etmek için tıklayın InfoQ , Yapışkan resmi hesap
Programcılar için saat 8'de teknik kahvaltı
Yazar Zhang Chongyang
Düzenle Xiaozhi
13-14 Ocak 2018 tarihlerinde Pekin'de AICon Küresel Yapay Zeka ve Makine Öğrenimi Teknolojisi Konferansı düzenlendi.WeChat uygulama iş teknolojisi başkanı Zhang Chongyang, konferansın eşbaşkanlığına davet edildi ve yapay zeka uygulamaları sürecini tanıtan bir konuşma yaptı. WeChat'teki pratik vakalarla birlikte şirketin 4 "girişi" derinlemesine bir açıklama yaptı. Aşağıdaki konuşmanın tam metnidir.
Resim, Zhang Chongyangın AICon konuşmasının sahnesini gösteriyor
Önüne yaz
Herkese merhaba, Ben WeChat'ten Zhang Chongyang, WeChat'te makine öğrenimi ve yapay zeka teknolojisinin uygulamasını ve pratiğini sizlerle paylaşma fırsatına sahip olmaktan onur duyuyorum. Yapay zeka denilince insanların aklına ilk gelen şey görüntü tanıma, konuşma tanıma, makine çevirisi ve robotiktir.Ancak yapay zeka ile ilgili uygulama senaryoları ve ticari değer bundan çok daha fazlasıdır. Günlük operasyonlarda ve yönetimde, herhangi bir şirket müşteri ilişkilerini sürdürecek ve analiz edilecek satış verilerine sahip olacaktır.Üretim, satış ve operasyonun her bir bağlantısında farklı karar verme sorunları ile karşılaşacaktır.Yeni nesil iş zekası teknolojisi, mevcut olanı kullanmaktır. Makine öğrenimi ve veri analizi teknolojisinin hızlı gelişimi, ticarileştirme sürecinde işletmelerin karşılaştığı çeşitli sorunlara otomatik ve akıllı çözümler sağlar ve böylece hızlı iş büyümesini teşvik eder.
İş sürecindeki problemlerin çözümünde akıllı teknolojinin 4 önemli bağlantısına bir göz atalım.Burada 4'ünü özetledim. Öncelikle, çözülmesi gereken problemler için mevcut verileri toplamak ve entegre etmek olan entegrasyon diyoruz. Burada iki ana zorluk vardır: Birincisi, bir bilgisayarda depolama ve hesaplama için verilerin nasıl temsil edileceğidir Diğeri, finansal veriler gibi pratik uygulamalarımızda veya kullanıcı verilerini işlerken gizli verilerin nasıl işleneceğidir. Kullanıcı gizliliği nasıl korunur Bilgisayar kullanımını etkilemeden verileri işlemenin herhangi bir yolu var mı?
Veriler mevcut olduktan sonra, en uygun çözümü elde etmek için problemi çözmek için istatistik ve makine öğrenme yöntemleri kullanılır.Bu adım, akademik araştırmadan farklı olan çıkarım olarak adlandırılır.Pratik uygulamalarda, daha iyi çözümler elde etmek için birbirimizin güçlü yönlerinden öğrenmek için birden fazla modeli birleştireceğiz. İyi sonuçlar, daha sonra örneklerle açıklayacağım,
Çıkarım sonucu elde edildikten sonra, gerçek uygulamalarda sadece bir tahmin sonucu veremezsiniz, ancak son iki yıldır derin öğrenmeden sonra da popüler olan yorumlama olan modelin tahmin sonuçlarının daha derinlemesine analizini ve yorumunu yapmak için verileri birleştirebilirsiniz. Yön, çünkü derin öğrenme genel veri sonuçlarında çok iyi sonuçlar elde etmesine rağmen, zaman zaman bireysel örnekler üzerinde anlaşılmaz sonuçlar verir.Derin öğrenme gibi karmaşık modelleri açıklamanın herhangi bir yolu var mı? Kara kutu modelini açıklamanın bir yöntemi daha sonra tanıtılacaktır.
Açıklamadan sonra, sorunun nedenini bulun, ardından bir stratejiyi formüle etmek için manuel bilgiyi ve gerçek ortamı birleştirmemiz ve etkiyi doğrulamak için otomatik test yöntemlerini kullanmamız gerekir, bu adıma soruşturma denir, bu adım aslında en karmaşık olanıdır, çünkü yapay bilgiyi birleştirmemiz gerekir. Üstelik doğrulama yöntemi her iş senaryosunda farklıdır.Zaman ilişkisi nedeniyle ABtest genel yöntemini tanıtacağım.ABtest uzun yıllardır geleneksel endüstrilerde ve internet şirketlerinde kullanılmaktadır.Çok etkili bir üründür. Test yöntemi, ancak bu yaygın olarak kullanılan yöntemin bile gerçek uygulama senaryolarına göre tasarlanması gerekir.Örneğin, WeChat'te kullandığımız birçok ürün sosyalleştirilir ve bazen küçük örneklerde olmak üzere iki AB setine tamamen ayrılamaz. Test altında etkili olmak, yoğun hacimden sonra etkinliğin devam edeceğini garanti etmez. Daha sonra, geliştirilmiş yöntemlerimizden biri olan Ntest'i tanıtacağım.
Pekala, bu kadar çok şey söyledim, önce WeChat platformunda ne yapmaya çalıştığımıza makro bir göz atalım. Bu resmi 2015'te InfoQ'da paylaştım. O zamanlar, odak noktamız yeni projelerin hassas bir şekilde geliştirilmesiydi. Kısmen, o zamanlar Moments reklamcılığı yaptığım için, ancak yeni işe alma ticarileştirmenin yalnızca ilk adımıydı. Kullanıcılara sahip olduktan sonra, kullanıcı kayıp oranını azaltmak ve ürünleri iyileştirmek için kişiselleştirilmiş hizmetler sağlamak için iyileştirilmiş operasyonlar gerçekleştirmek için veri analizi ve otomasyon nasıl kullanılır Tecrübe, iş başarısının anahtarıdır.
Herkes mini programların taşınabilirliği nedeniyle WeChat ekosisteminin önemli bir parçası olduğunu bilir.Tüccarlar WeChat mini programlarından kullanıcıları çok düşük bir maliyetle edinebilir. Sonraki adımda, WeChat'in büyük veri işleme ve makine öğrenimi yeteneklerinin kombinasyonuna güveneceğiz. Zengin kullanıcı portresi sistemimiz, tüccarların hassas işlemler yapmasına ve kullanıcı deneyimini iyileştirmesine yardımcı olmak için kademeli olarak ilgili analiz araçları ve otomatik test araçları sağlar. Örneğin, birçok tüccarın promosyon ekranı her kullanıcı için aynıdır.Platform, mevcut kullanıcıların hangilerinin en değerli ve hangilerinin kaybetmek üzere olduğunu analiz edebiliyor ve işlemin etkisini doğrulamak için bazı otomatik test araçları sunabiliyorsa, inanıyorum. İşletmelerin işletme maliyetlerini büyük ölçüde azaltmasına ve işletme sonuçlarını iyileştirmesine yardımcı olabilir. Bugün, WeChat'in iş zekası teknolojisinin dört "girişi" üzerindeki teknik uygulamalarını tartışmak için kullanıcı portrelerini, kayıp tahminini, kayıp analizini ve ABtest ile ilgili teknolojileri birleştireceğim.
Entegrasyon
Öncelikle veri entegrasyonuna bakayım.Burada pratik uygulamalarda en sık kullanılan kullanıcı profili teknolojisini tanıtacağım.Bir işletme için en önemli kaynak şüphesiz ki kullanıcılarıdır.Kişiye özel ve otomatikleştirilmiş hizmetler ve ürünler sunmak yeterli anlayış gerektirir. Kullanıcı, ardından kullanıcı portresi, kullanıcının bilgisayardaki temsilidir. Buradaki zorluk, her şeyden önce temsil yöntemidir. Kullanıcıyı temsil edecek ne tür bir yapı, bilgisayar kullanımı için uygundur. Diğer bir zorluk, kullanıcı gizliliğinin nasıl korunacağıdır. Kullanıcının hassas verilerini duyarsızlaştırsak da, kullanıcının özellikleri ne kadar fazla olursa, o kadar çok Tek bir kullanıcıyı tersine çevirmek kolaydır Bilgisayar kullanımını etkilemeden kullanıcı gizliliğini korumanın herhangi bir yolu var mı?
Önce kullanıcı portrelerinin temsil yöntemine bakın.Kullanıcı portrelerinin amacı, farklı görevlerdeki kullanıcılar ve kullanıcılar arasındaki benzerliği ölçmektir.Daha sonra genel yaklaşım, veritabanındaki her kullanıcıyı vektör ve vektör arasında bir vektör olarak temsil etmektir. Mesafeyi hesaplamak için yaygın olarak kullanılan Öklid mesafesi ve kosinüs gibi birçok matematiksel yöntem vardır, ancak gerçek kullanımda benzerlik işlevi farklı uygulama senaryolarına göre tanımlanır veya bu işlevi gerçek verilere uydurmak için makine öğrenimi yöntemi kullanılır. Farklı kullanıcıların benzerliğini ölçmenin bu yöntemi, kullanıcıları sınıflandırmak ve kümelemek veya aynı ürünleri benzer kullanıcılara önermek gibi hizmetler sağlamak için kullanılabilir.
Bununla birlikte, kullanıcıları vektöre dönüştürme işlemi pratikte çok karmaşıktır.Hepsi basit etiketlerse, yaygın olarak kullanılan tek kodlama yapılabilir, ancak birçok veri yapılandırılmıştır.Örneğin, WeChat'teki sosyal ilişki bir ağdır. Yapı, kullanıcı ile resmi hesap arasındaki aşağıdaki ilişki iki taraflı bir yapıdır ve kullanıcının ilgisi zamanla değişen bir sıra yapısıdır.
Pratikte, sosyal ilişkilerin ağ yapısı, vektörlere dönüştürmek için node2vec'in yöntemini kullanır.Kullanırken, etkiyi iyileştirmek için bazı ipuçları vardır.Örneğin, arkadaşlık ilişkisi aslında güçlüdür. Daha fazla arkadaş ve arkadaş birbirini sever ve birbirleri hakkında yorum yapar. Ağırlık ne kadar büyükse. Resmi hesabın takip ilişkisi aslında seyrek bir matristir. Her bir kullanıcının izlediği resmi hesabı bir kelime olarak ele alırız ve bir kullanıcıyı bir belge olarak ele alırız, böylece her kullanıcıyı bir konu etiketi ile etiketlemek ve herkese tavsiye etmek için ortak bir tema modeli kullanabiliriz. Öğretmen Yuan'ın lightlda'sını kullanmak, büyük ölçekli veri eğitiminin yanı sıra kısa vadeli ilgi için çok uygundur. Dizi yapısı, metin ve görüntü verilerinin tümü, derin öğrenme yöntemleri kullanılarak vektörlere yerleştirilebilir. Sonunda, bu vektörleri bir araya getirmek bir bilgisayardır. Kullanılan kullanıcı özelliği vektörü.
Yukarıdaki yöntem kodlandıktan sonra, her bir kullanıcı özelliğinin boyutsallığı çok yüksektir, bu da gerçek kullanımda yeterli eğitim numunesine ihtiyaç duyulduğu anlamına gelir, aksi takdirde fazla takılması kolaydır, ancak gerçek kullanımda eğitim için kullanılan kullanıcı seti çoğunlukla Çok sınırlı. Algoritmanın daha düşük örnek girişini destekleyebilmesi için, ön kodlamadan sonra kullanıcı özellik vektörünün boyutluluğunu azaltmak gerekiyor.Şimdi derin öğrenmeye dayalı bir otomatik kodlayıcı yöntemi var. Gerçek kullanımda, daha etkili olduğunu gördük. Geleneksel PCA çok daha iyidir Boyut azaltmanın bir başka avantajı, geleneksel etiketlerin sıkıştırılmış ve gizlenmiş olmasıdır Sıkıştırılmış vektör, kullanıcı benzerliği hesaplamasını etkilemez, ancak boyut orijinal vektörden çok daha küçüktür. Değerin gerçek bir fiziksel anlamı yoktur, bu nedenle kullanıcı gizliliğini korur ve şirket içinde ortak kullanımı kolaylaştırır.
Kullanıcı gizliliğinin korunması konusuyla ilgili olarak, bu, şirketin kullanıcı verilerini işlerken uyduğu ilkedir. Daha fazla metni okumuyorum.
Çıkarım
Veriler entegre edilip kodlandıktan sonra, bir sonraki adım, problemi çözmek için istatistik ve makine öğrenme yöntemlerini kullanmaktır, yani çıkarım, burada benzer model diyoruz.
Lookalike'ın ticarileştirme yönünde birçok uygulama senaryosu vardır. Lookalike ilk olarak sosyal reklamcılıkta kullanılmıştır. Satıcı tarafından yüklenen çekirdek kullanıcı paketi, reklam izleyicileri için daha fazla benzer kullanıcıyı genişletmek için kullanılmıştır. Reklamcılıkta etkisi çok daha iyidir Etiketlerle seçilen kullanıcılar, ancak benzerliğin özü, bir grup bilinen örnek aracılığıyla başka bir kümede benzer örnekler bulmaktır. Aynısı, kayıp tahmini için de kullanılabilir. Geçen aydan bugüne aboneliği kaybeden kullanıcıları biliyoruz. Mevcut kullanıcı tabanında benzer benzerlik genişletmesi yaparak, bir sonraki adımda kaybeden veya kaybedebilecek kullanıcıları bulabilirsiniz. Lookalike, çevrimdışı mağazaların akıllı çalışması için de çok kullanışlıdır. Piyasadaki tüm kullanıcılara benzer şekilde bakmak için mevcut kullanıcıları kullanıyoruz. Muhtelif yerlerde potansiyel müşteri gruplarının ne kadar büyük olduğunu hesaplayabilirsiniz Lookalike sadece insanları bulmak için değil ürünler için de kullanılabilir.Popüler ürünler aracılığıyla benzer ürünleri bulmak için ürün kütüphanesini genişletebiliriz.Bu akıllı ürün seçimi sorunudur.
Bu, benzer kitle hedefleme sisteminin genel sürecidir. Kendi sistemimizdeki örtüşen kullanıcıları, buradaki hedef kullanıcı olan çekirdek paketten filtreliyoruz. Aynı zamanda, tüm kullanıcıların diğer kullanıcılarından bazı kullanıcıları karşılaştırma kullanıcıları olarak, sonra da kullanıcılardan örnekliyoruz. Kullanıcı özellikleri portre sisteminden çıkarılır, böylece olumlu bir örnek etiket verisine ve etiketlenmemiş bir veriye sahip oluruz, modeli eğitmek için PU öğrenimi veya iki sınıflı makine öğrenimi yöntemlerini kullanabiliriz.Model çevrimiçi kullanıldıktan sonra, gerçek zamanlı geri bildirim olacaktır. Veriler, çevrimiçi model sonuçlarında gerçek zamanlı ayarlamalar yapmak için kapsamlı bir puanlama algoritması geliştirmek için gerçek zamanlı verilerin bu bölümünü kullanacağız. Son olarak, bu son puan, en benzer kullanıcıları seçmek için tüm kullanıcıları sıralamak için kullanılır.
Burada benzer puanlama algoritmasının model eğitimi kısmına bir göz atacağız.Akademik araştırma ve pratik uygulamalarda nadiren kullanılan bir modelden farklı olduğunu daha önce söylemiştim.Yıllara dayanan deneyim eğitim modelim resme çok benziyor.Tüm resmi tek bir fırçayla tamamlamanız zor. Resimler için, başlangıçta büyük düzeni tamamlamak için kalın bir fırça kullanmanız ve son olarak ayrıntıları özetlemek için ince bir fırça kullanmanız gerekir.
Makine öğreniminde yaygın olarak kullanılan model entegrasyon yöntemleri topluluk ve birleştirme sistemidir. Benzer şekilde daha yaygın olan yöntem, özellikleri öğrenmek için gbdt'yi kullanan ve daha sonra bunları LR, FM veya DNN'ye aktaran soldaki yöntemdir. Daha sonra Google, bu yöntemi LR ve jointtrain için kullandı. DNN, ortak eğitim için geniş kapsamlı bir modeldir. Yapay özellikler iyi tasarlanmışsa, çok iyi sonuçlar elde etmek için her ikisinin avantajları birleştirilebilir. Sistemimiz aslında sağdaki topluluk yöntemini kullanıyor, çünkü gbdt, artırmaya dayalı bir öğrenme çerçevesidir, bu nedenle teorik olarak, elbette dnn dahil olmak üzere herhangi bir modeli artırabilir, böylece bu iki modelin avantajları birleştirilebilir. Şimdi, onun eğitim yöntemi önce bir dnn eğitmektir. Çok fazla katman kullanmaya gerek yoktur, bu da kaba taslağı tamamlamak için kalın bir fırça kullanmaya eşdeğerdir ve daha sonra, gitmek için daha ince bir fırça kullanmaya eşdeğer olan güçlendirme için gbdt kullanmaya eşdeğerdir. Ayrıntıları tasvir edin.
Benzer bir uygulamanın belirli bir örneğine bakalım. Lookalike, yeni reklamları doğru bir şekilde çekmek için yaygın olarak kullanılır, ancak yeni kullanıcılar bunları reklam veya yerel itme yoluyla satın alabileceği için, kullanıcı kaybetme oranını düşürmenin yenilerini çekmekten daha önemli olduğunu düşünüyorum. Bununla birlikte, mevcut kullanıcılar bir kez kaybedildiğinde, kurtarmak zordur, bu nedenle kaybolmadan önce önlemler alınmalıdır. Ürün tanıtımı, kuponlar veya kırmızı zarflar vb. Gibi yaygın olarak kullanılan birçok etkinleştirme stratejisi vardır. Bir tüccar kullanıcılara kırmızı bir zarf vermek isterse, bu parayı nasıl harcarsınız? Açıkçası kullanıcının kaybetmesini beklemek ve sonra ona göndermek değil, çünkü kullanıcı artık uygulamayı şu anda açmıyor ve bütçe sınırlı olduğu için her kullanıcıya gönderilmesi mantıklı değil. Daha sonra yaygın olarak kullanılan yöntem, platforma en fazla değeri olan kullanıcılara ve kaybetme ihtimali olan kullanıcılara göndermektir, bu nedenle kullanıcı değer analizi ve zarar tahmini yapılmalıdır.
Bu resim, kayıp tahmini ve kayıp analizinin bir akış şemasıdır.Kurulan veya kaybetmek üzere olan kullanıcıları elde etmek için mevcut kullanıcılara benzer şekilde yeni üyelerden ayrılan kullanıcıları kullanabiliriz.Kalıntı tahmininden sonra kayıp analizi gereklidir. Birçok kayıp durumu olduğu için, farklı durumlarda benimsenen stratejiler farklıdır. Peki bu kayıp analizi nasıl yapılır? Aşağıda tartışacağımız şey budur.
Yorumlama
Bir önceki bölümün konusuna devam edelim ve dağılma analizini örnek alarak üçüncü "in" yorumuna bir göz atalım.
Modelin yorumlanabilirliği ve doğruluğu eşit derecede önemlidir.Bu, makine öğreniminin gerçek kullanımı ile akademik araştırma arasındaki önemli bir farktır, çünkü yorumların sonuçlarından modelin kendisinin güvenilir olup olmadığını bulabiliriz ve bu tür yorumlamanın sonuçları modeli ikna etmek için daha kolaydır. Geri bildirim nesnesi, modelin tanıtımına katkıda bulunur. Ayrıca model kullanıcılar bu sonuçtan problemler bulabilir ve az önce bahsettiğimiz hasar analizi gibi hedeflenen stratejileri formüle edebilirler Aslında tıp ve finans gibi bazı alanlarda açıklanamayan modeller teşvik edilemez.
Öyleyse, aynı anda daha yüksek doğruluk ve yorumlanabilirlik elde etmenin bir yolu var mı? Bu aslında bir balık ve ayının pençesi problemidir, çünkü model ne kadar güçlüyse açıklaması o kadar karmaşık ve zordur. Sağ üstteki şekil bu durumu göstermektedir. Yatay eksen modelin doğruluğu ve dikey eksen modelin yorumlanabilirliğidir. İyi yorumlanabilirliğe sahip doğrusal modellerin ve karar ağacı modellerinin çok doğru olmadığı ve son derece hassas sinir ağlarının ve derin öğrenmenin en kötü yorumlanabilirliğe sahip olduğu görülebilir.
KDD2016'daki bir makale çok yeni bir yöntem sunuyor: Balık ve ayının pençeleri ikisine birden sahip olamayacağına göre, sorunu çözmek için yüksek hassasiyetli bir model kullanabilir ve ardından bu yüksek hassasiyetli modeli açıklamak için yorumlanabilir bir model kullanabilir miyiz? İşte problem geliyor.Açıklanabilir modeller, doğrusal modeller gibi genellikle çok basittir.DNN gibi doğrusal olmayan bir modele uyamaz. Örneğin, sağ üst şekildeki sınıflandırma sonucu. Bu makale çok yeni bir algoritma, kireç, Çünkü model ne kadar karmaşık olursa olsun, bir seferde yalnızca bir numunenin tahmin sonuçlarını açıklaması gerekir ve doğrusal olmayan model, tek bir örnekteki doğrusal bir modelle yaklaşık olarak tahmin edilebilir.
Ancak bu durumda başka bir sorun daha var Bu numuneyi yerel olarak sığdırmak için, bu numunenin etrafında yeterli eğitim numunesi olması gerekir.Lime'ın yaklaşımı, yeni numuneler oluşturmak için numunenin bazı özelliklerini bozmaktır. Yüksek hassasiyetli model bu örnekleri öngörür. Bu şekilde, yüksek hassasiyetli modelle işaretlenmiş çok sayıda örnek üretilir ve üretilen her örnek ile açıklamak istediğimiz örnek arasındaki mesafeyi hesaplayabiliriz.Şu anda bu örneğin yerel kısmını analiz etmek için kement gibi yorumlanabilir bir doğrusal model kullanılabilir. Uydurmak ve açıklamak.
Bu, kullanıcı kayıp analiz sisteminin çerçevesidir.Yukarıda belirtilen model üzerinden kullanıcı kayıp tahmini yapıldıktan sonra, kayıp kullanıcıları ve sadık kullanıcılar elde edilir.Kullanıcı özellikleri için bir kodlayıcı yaptığımıza dikkat edilmelidir, bu nedenle açıklarken onu tekrar eşleştirmemiz gerekir. Önceden yorumlanabilen özellik gösterimleri, kodlayıcı ile birlikte kireç'e aktarılır ve her kullanıcının karmaşa tahmin sonuçları açıklanabilir. Daha sonra, tüm kullanıcıların yorumlama sonuçlarını toplamak, kullanıcıları ve sadık kullanıcıları kaybetmenin genel özelliklerini analiz etmek ve sonuçları görsel olarak görüntülemek için bir algoritma kullanacağız.
Bu, bir oyun uygulamasının kullanıcı kayıp analizi sonuçlarının görsel olarak gösterilmesidir. Ana nedenin öğrenci kullanıcıların ayrılmaları olduğu görülebilir. Bunun en son final sınavından kaynaklanıyor olabilir. Bu kullanıcıları da gruplayabiliriz. Sağ üst köşedir. İki boyutlu düzlemdeki görsel kümeleme sonuçlarıyla, kullanıcılar her bir kategorinin özelliklerine karşılık gelen çalışma stratejilerini formüle etmek için her bir alt kategoriyi yeniden inceleyebilir.
Araştırma
Analiz sonuçları elde edildikten sonra, stratejileri formüle etmek ve gerçek ortamdaki sonuçları doğrulamak için otomatik yöntemler kullanmak için manuel bilginin birleştirilmesi gerekir.Araştırmalar olarak adlandırılırız İşte ABtest'in geliştirilmiş bir yöntemi.
ABtest, tıbbi çift kör deneylerden türetilmiştir.İnternet çağında, web sitesi revizyonlarının ve ürün yükseltmelerinin etkilerini test etmek için yaygın olarak kullanılmaktadır. Lansmandan önce ve sonra verileri gözlemlemeye kıyasla abtest, mevsimsel faktörlerin ve pazar ortamı faktörlerinin etkisini etkili bir şekilde ortadan kaldırabilir.Şimdi ABtest, farklı reklam veya işletme stratejilerinin etkilerini analiz etmek için de kullanılıyor. Örneğin, az önce bahsedilen kayıp problemi. Problemi analiz ettikten sonra, kayıpları azaltmak için bir strateji tasarladık. Bu stratejinin etkili olup olmadığını görmek için çevrim içi gerçek bir ortamda test edilmelidir.Bu geleneksel ABtest sürecidir.
ABtest olarak adlandırılmasının nedeni, deneyin kullanıcılarının stratejisiz kontrol ve strateji ile tedavi olarak ikiye ayrılmasıdır.İki kullanıcı grubu karşılaştırılır ve gözlemlenir.Paralel olarak çoklu deneyler yapıldığında ortogonal analiz gibi birçok teknik detay vardır. Çok katmanlı model, kontrol ve işlemin homojenlik doğrulaması ve sonuçların anlamlılık analizi gibi bu konuları tartışan birçok makale vardır. Burada sizinle sosyal ağlardaki bazı problemler ve iyileştirme yöntemleriyle iletişim kurmaya odaklanacağım.
Kullanıcılar ve kullanıcılar birbirlerini etkiledikleri için, kullanıcıları sosyal ağlarda tamamen bağımsız iki gruba ayırmak çok zordur.Örneğin, WeChat'teki tasarrufları arkadaşlarımızla paylaşabiliriz.WeChat e-ticaret mini programları kullanır Bu sipariş ve gruplama promosyon modeliyle, bu kırmızı zarflar ve promosyon ürünleri, sonunda daha iyi veya daha kötü kontrol ve tedaviye yol açabilecek arkadaşlar ve arkadaşlar arasında yayılacaktır. Diğer bir sorun da, gri tonlama deneyinde deneyin az sayıda kullanıcı altında etkili olması ve artıştan sonra da etkili olmaya devam edecek olmasıdır, çünkü artıştan sonraki artışın yoğunluğu kullanıcılar ve kullanıcılar arasında daha büyük bir etkiye sahiptir. Bu etki, önceki stratejinin çalışmamasına veya önceki stratejinin etkisinin katlanarak büyütülmesine neden olabilir. Daha sonra soru, yerleştirme yoğunluğu ile deneysel etki arasındaki ilişkinin nasıl test edileceği haline gelir.
Sosyal ağların özelliklerine dayalı olarak geliştirilmiş bir Ntest stratejisi tasarladık.Geleneksel ABtest'in aksine, Ntest test birimi olarak tek bir kullanıcı değil, test birimi olarak onlarca ila yüzlerce kişiden oluşan bir alt ağ kullanır.Her deney N'yi seçer Her alt ağ bir deney grubu olarak kullanılır ve her deneysel grupta farklı yoğunluk yerleştirme deneysel stratejileri kullanılır. Son olarak, deneysel göstergeler her bir alt ağ için hesaplanır. Koordinat sistemi üzerindeki N alt ağlarının göstergeleri ve yoğunluğu arasındaki ilişkiyi çizeriz ve ardından göstergelerin eğilimini yoğunluk ile analiz edebiliriz. Sağdaki şekil üç ortak durumu gösterir. Yatay eksen Alt ağdaki strateji yerleştirme yoğunluğu, dikey eksen, mevcut göstergenin etkisidir, yukarıdaki grafik, yoğunluk arttıkça genel bir yükseliş eğilimi gösterir, bu da strateji ile mevcut göstergenin pozitif olarak ilişkili olduğunu gösterir. Aynı şekilde, olumsuz korelasyon ve ilgisizliğin genel durumu aşağıdadır.
Sonuna yaz
Son olarak, makine öğrenimi yönteminin deneyimini özetliyoruz.
Birincisi, hesaplamayı kolaylaştırmak için problem için verileri entegre etmemiz ve kodlamamız gerektiğidir. Veri entegrasyonundan sonra, daha iyi sonuçlar elde etmek için birden fazla model birleştirilebilir. Model geliştirildiğinde model sonuçlarının analizi ve yorumlanması çok önemlidir. Son olarak, herhangi bir sonuç Etkiyi doğrulamak için gerçek iş senaryosuna dönmeliyiz.
yazar hakkındaWeChat Mini Programı Ticari Teknoloji Başkanı Zhang Chongyang. 2014 yılında kullanıcı portresi oluşturma, benzer kitle hedefleme, WeChat zebra sistemi, uygulama reklam sistemi, uygulama ticarileştirme teknolojisi, doğal dil işleme, hesaplamalı reklamcılık, makine öğrenimi, verilerden para kazanma ve diğer teknik yönlendirmelerden sorumlu olan WeChat'e 2014 yılında katıldı ve WeChat'e katıldı Daha önce Microsoft, HKUST Xunfei'de çalıştı ve doğal dil işleme, ses, arama önerileri, hesaplamalı reklamcılık ve diğer teknoloji araştırmalarıyla uğraştı.
Bugünün TavsiyesiOkumak için aşağıdaki resme tıklayın
WeChat milyar düzeyinde kullanıcı anormallik algılama çerçevesinin tasarımı ve uygulaması
