Alibaba'nın bilgi grafiğinin ilk teşhiri: her gün on milyonlarca müdahale, 100 milyon tam akıllı inceleme
Alibaba'nın kılavuzu: Alibaba'nın bilgi haritasının yardımıyla, Alibaba'nın e-ticaret platformunun yönetimi ve kontrolü, geçmiş "devriye denetimi" modundan yayın tarafında gerçek zamanlı denetlemeye yükseltildi. Büyük ürün sürümlerinin zorluğu altında, kötü adamların ve sorunlu ürünlerin Ali ekosistemine girmesini önlemek için büyük veri ve yapay zeka kullanılabilir. Aynı zamanda, gerçek zamanlı oynanış, mutasyon ve sorunlu işletmelerin kötü niyetli saldırıları gibi birçok zorlukla karşı karşıya kalan bilgi haritası, on milyonlarca günlük bir müdahaleyi ve yüz milyonlarca toplam akıllı denetimi hala sürdürmektedir. Kapsam ve gerçek zamanlı oyun gibi birçok senaryoda sorunlu satıcılarla yüz yüze görüşme. Fikri mülkiyet haklarının ve tüketici haklarının korunmasını en üst düzeye çıkarmak için, iyi sosyal faydalar elde etmek için zeka, kendi kendine öğrenme, milisaniye tepkisi ve yorumlanabilirlik gibi bilgi grafiği muhakeme motoru teknolojisi için daha yüksek teknik gereksinimler ortaya koyduk.
Alibaba Bilgi Grafiğinin Uygulanması
Alibaba ekosisteminde büyük miktarda ürün verisi biriktirildi. Bu değerli ürün verileri, Taobao, Tmall, 1688, AliExpress, vb. Gibi birden çok pazardan geliyor. Aynı zamanda, markalar, endüstri operasyonları, yönetişim operasyonları, tüketiciler, devlet kurumları, lojistik sağlayıcılar vb. Böylesine büyük bir emtia kütüphanesinin düzeltilmesine katkıda bulunan çeşitli roller vardır. Fikri mülkiyet koruması veya tüketici alışveriş deneyimini iyileştirme, ürün verilerinin standardizasyonunu gerçekleştirme (ürün özelliklerinin birleştirilmesi ve ürün bilgilerinin kesinliği) ve dahili ve harici verilerle derin bağlantı, büyük önem taşımaktadır. Harita, emtia standardizasyonunun temel ve kök çalışmasını taşır. Buradan yola çıkarak hangi ürünlerin aynı ürün olduğunu, bir markanın yetkili olup olmadığını ve marka altındaki ürünlerin hangi pazarlarda satıldığını tam olarak bilebiliriz.
Alibaba Bilgi Grafiği, emtiaları, standart ürünleri, standart markaları, standart barkodları ve standart sınıflandırmaları çekirdek olarak alır ve kamuoyu, ansiklopedi ve ulusal endüstri standartları gibi 9 ana birinci seviye ontolojiyi entegre etmek ve ilişkilendirmek için varlık tanıma, varlık zinciri parmaklığı ve anlamsal analiz teknolojilerini kullanır. , On milyarlarca üçlü içerir ve büyük bir bilgi ağı oluşturur.
Alibaba Bilgi Grafiği, Alibaba ekosisteminde çeşitli rollere hizmet edecek ağ çapında bir ürün akıllı hizmet sistemi oluşturmak için en son NLP, anlamsal akıl yürütme ve derin öğrenme teknolojilerini kapsamlı bir şekilde kullanır. Emtia bilgi grafiği, arama, ön uç alışveriş rehberi, platform yönetişimi, akıllı soru-cevap ve marka operasyonu gibi temel ve yenilikçi işletmelerde yaygın olarak kullanılmaktadır. Markaların küresel verileri görmesine, platform yönetiminin ve operasyonun sorunlu ürünleri bulmasına yardımcı olabilir, endüstrinin belirli bilgilere göre ürünleri seçmesine yardımcı olabilir, tüketici alışveriş deneyimini iyileştirmek için insanları ve mal depolarını eşleştirebilir vb. Yeni perakende ve uluslararasılaşma için güvenilir bir akıllı motor sağlayın.
Çıkarım motorları oluşturmak için makine öğrenimi algoritmalarını tanıtın
Bilgi temsilini ve muhakemesini gerçekleştirmek için bir çerçeve tasarladık. Ek olarak: bilgi grafiği varlıkları, ilişkiler, kelime ormanları (eşanlamlılar, hiponimler), dikey bilgi grafikleri (coğrafi konum grafikleri, malzeme grafikleri gibi), makine öğrenimi algoritma modelleri, vb. Hepsi birleştirilmiş açıklama için dahil edilmiştir.
Farklı senaryolara göre, akıl yürütmeyi şu şekilde ikiye ayırıyoruz: üst ve alt ve eşdeğer akıl yürütme; tutarsızlık muhakemesi; bilgi keşfi akıl yürütme; ontoloji kavramı muhakeme, vb. Örneğin
1. Üst ve alt ve eşdeğer muhakeme . Üst kategoriye erişilirken, alt kategoriler üst ve alt akıl yürütme yoluyla hatırlanır ve geri çağırmayı genişletmek için eşdeğer akıl yürütme (varlıkların eşanlamlıları, varyant kelimeler, aynı paragrafın modelleri vb.) Kullanılır. Örneğin, tüketicileri korumak için, "nükleer kontamine bir alandaki yiyecekleri" durdurmamız gerekir. Muhakeme motoru, "bu alan olarak" menşe yerini bul "anlamına gelir ve öznitelik öğesi" menşe yeri "ile eş anlamlıdır ve öznitelik değeri, bölgedeki ikincil varlığın yiyeceğidir. , Ve hit yemekle aynı tür yiyecek. "
2. Tutarsız akıl yürütme. Sorunlu satıcı ile oynama sürecinde, ürün başlığı, nitelikleri, resimleri, ürün niteliği ve satıcı niteliğinin markası, malzemesi ve bileşimi gibi temel bilgilerin tutarlılığını kontrol etmemiz gerekir. Örneğin, başlıktaki marka Nike ve öznitelik veya etiketteki marka Nake'dir. Aşağıdaki şekilde gösterildiği gibi, sol taraf etiket üzerindeki ürün başlığını, özniteliklerini ve marka bilgilerinin tutarlı olduğunu açıklar ve mantık tutarlıdır. Sağda tutarsız etiketlere sahip ürünler ve muhakeme motoru tarafından sorunlu ürünler olarak değerlendirilen ürün markaları var.
3. Bilgi keşfi muhakemesi. Tutarlılık muhakemesinin amacı bilginin kesinliğini sağlamaktır.Örneğin, tutarlı bir muhakeme yoluyla, verilerin kapsadığı gıda içeriği listesinin doğru olmasını sağlayabiliriz. Ancak tüketiciler, alışveriş yaparken içerik listesindeki karmaşık sayılara nadiren bakarlar. Tüketiciler, şekersiz ve tuzsuz gibi güçlü algılara sahip bilgi noktalarını gerçekten önemsiyorlar. Tüketici alışveriş deneyimini iyileştirmek için bilgi keşfi mantığı, temel içerik listesi verilerini ve aşağıdakiler gibi ulusal endüstri standartlarını kullanır:
Şekersiz: karbonhidratlar 0,5 g / 100 g (katı) veya 100 mL (sıvı)
Tuz yok: Sodyum 5mg / 100 g veya 100 mL
İçerik listesi verilerini "şekersiz" ve "tuzsuz" gibi bilgi noktalarına dönüştürebiliriz. Verileri gerçekten bilgiye dönüştürmek için. AB testi doğrulaması sayesinde, benzer bilgi noktaları, ön uç alışveriş kılavuzundaki tüketici alışveriş deneyimini büyük ölçüde geliştirdi.
Çıkarım motorunun arkasındaki teknik çerçeve
İlk olarak, akıl yürütme motoru, anlamsal ayrıştırma yoluyla doğal dili mantıksal forma dönüştürür. Anlamsal analiz, sinir ağı ve sembolik mantık yürütmenin bir kombinasyonunu benimser: doğal dil, sözdizimi, gramer analizi, NER ve Varlık Bağlama yoluyla dağıtılmış bir temsil olarak kodlanır ve cümlelerin dağıtılmış temsili, mantıksal ifadelere daha da çevrilir. formül.
Dağıtık gösterimleri mantıksal ifadelere dönüştürme sürecinde, ilk olarak temsiller ve yüklem işlemleri arasında eşleştirme sorunuyla karşı karşıyayız. Tahminleri eylemler olarak ele alıyoruz ve eğitim yoluyla sembolik işlemleri yürütüyoruz. Nöral programcılara benzer şekilde, dikkat mekanizmasını, uygun operasyonu seçmek, yani en olası yüklem operasyonunu seçmek ve son olarak, tahmin işlemini analiz edilen sözdizimine dayalı olası mantıksal ifadelerle birleştirmek için kullanıyoruz. Mantıksal ifadeleri sorgulara vb. Dönüştürün. İşlem aşağıdaki şekilde gösterilmektedir.
İkinci olarak, mantıksal ifadeler sonraki mantıksal muhakemeyi ve grafik muhakemeyi tetikleyecektir. Mantıksal ifadeler, tasarım sürecinde aşağıdaki ilkeleri izler: Mantıksal ifadeler insanın doğal diline yakındır ve makineler ve insanlar tarafından anlaşılması kolaydır. İfade yeteneği, bilgi grafiği verilerinin ve bilgi temsilinin gereksinimlerini karşılar. Genişletmesi kolay olmalı ve yeni sınıflar, varlıklar ve ilişkiler eklemek çok uygun olabilir.Datalog, OWL vb. Gibi birden çok mantık dilini ve sistemini destekleyebilir, yani bu diller ve arkasındaki algoritma modülleri takılabilirdir. Çıkarım motoru, farklı mantık sistemlerini tanımlama yeteneğine sahiptir.
Örnek olarak yukarıdaki aşağı ve eşdeğer mantığı ele alalım: "Çin'de üretilen gıda", "
Mantıksal bir ifade ile şöyle tanımlanır:
x: yiyecek (x) ( y: eşanlamlı (y, menşe yeri)) (x, ( z: alt öğeler dahil (Çin, z)))
Sonra aynı paragrafı bulun:
t, x: ($ c: (x, c) ürününe ait (t, c) ürününe ait)
Ek olarak, muhakeme motoru, bilgi tabanının otomatik olarak tamamlanması için de kullanılır. Bilgi tabanını yerleştirmeye dayalı olarak tamamlıyoruz. Ana fikir, Trans serisinin özelliklerini hesaba katarak ve ayrıca varlığın metin açıklamasını (ayrıntılar gibi), yeni ilişkilerin öngörülmesine yönelik diğer özellikleri de dahil ederek bilgi tabanındaki yapısal bilgileri eklemektir. Ve tamamlama.
Alibaba Bilgi Grafiği, üç yıllık inşaatın ardından devasa bir bilgi grafiği ve devasa standart veriler oluşturdu.Aynı zamanda, Zhejiang Üniversitesi'nden Profesör Chen Huajun'un ekibiyle ortak bir proje ekibi kurdu ve en son doğal dil işleme, bilgi temsili ve mantıksal akıl yürütme teknolojilerini tanıttı. Alibaba'nın yeni perakende ve uluslararasılaşma stratejisi altında giderek daha önemli bir rol oynuyor.
Bilgi grafiğinin teknik alışverişi için veya bize katılmakla ilgileniyorsanız, lütfen Zhang Wei ile iletişime geçin (haritayı görüntüleyin):
lantu.zw@alibaba-inc.com
Alibaba Bilgi Grafiği ekibinin başkanı Dr. Zhang Wei (Adı: Lantu). Singapur Ulusal Üniversitesi'nden doktora derecesi ile mezun oldu ve Harbin Teknoloji Enstitüsü'nden lisans derecesi ile mezun oldu. Singapur Bilgi ve İletişim Teknolojileri Enstitüsü Doğal Dil İşleme Uygulama Laboratuvarı Direktörü olarak görev yaptı.
