AI editörü çıkıyor! Alibaba'nın akıllı yazarının temel teknolojisi ilk kez halka açıldı!
I.Giriş
Memnuniyet, son yıllarda Taobaonun gelişiminin odak noktası haline geldi. Mobil Taobao APP'de (bundan sonra "Shoutao" olarak anılacaktır) birçok farklı içerik formu ve içerik tabanlı alışveriş rehberi ürünü görebiliriz. Örneğin, "mallar" daki tek ürün Ana gövde olarak zengin metin içeriği, "satın alınması gerekenler listesi" ndeki liste, yani bir tema etrafında düzenlenmiş metin ve ürünlerin uzun grafik içeriği vb. İçerik, metaların biçiminden farklı olarak, metaları farklı boyutlardan organize edebilir, malları tanımlayabilir ve daha zengin bir perspektiften malları tanımlayabilir, el yapımı ürünlerin formunu zenginleştirebilir ve kullanıcılara daha değerli alışveriş bilgileri sağlayabilir.
Taobao'nun içerik stratejisinin sürekli gelişmesiyle, içeriği kademeli olarak gerçekleştirmek için Taobao'nun büyük verilerini, manuel deneyim ve bilgi girdisiyle birleştirerek kullanmayı amaçlayan, otomatik içerik üretimini keşfetmeye ve "akıllı yazar" adlı bir ürün geliştirmeye devam ediyoruz. Otomatik ve büyük ölçekli üretim, manuel olarak yazılan daha yüksek kaliteli içerikle birlikte kullanıcılara daha zengin ve daha değerli bilgiler getirir. Bir çökelme döneminden sonra, mevcut akıllı yazarlar kısa kopya oluşturma, başlık oluşturma, ürün önerisi nedeni oluşturma ve grafik içerik (liste) oluşturma konusunda belirli ilerlemeler kaydetmişlerdir.Bu dönem boyunca, çeşitli metin oluşturma sorunları farklı olmuştur. Optimizasyon derecesi.
2017 Double Eleven'da akıllı yazarlar esas olarak iki şey yaptılar: Birincisi, Double Eleven'ın girişinde (bundan böyle "akıllı ilgi noktası" projesi olarak anılacaktır) büyük ölçekli gerçek zamanlı kişiselleştirilmiş kısa metinleri desteklemekti. , İhtiyatlı bir şekilde, rehberliğin verimliliğini artıran yüz milyonlarca metin yazarlığının üretildiği tahmin edilmektedir; ikincisi, grafik listenin üretimi ve lansmanı test edilmiş ve programın etkinliğini doğrulayan kullanıcılardan doğrudan veri geri bildirimi toplanmıştır.
1.1 Akıllı ilgi alanları
Her yıl düzenlenen Double 11 promosyonunda, ana sayfa ve ana mekan gibi büyük tanıtım faaliyetlerinin ana trafik kanallarında birçok mekan girişi (bkz.Şekil 1-Şekil 4) yer alacaktır.Mekan girişi genellikle mekan olmak üzere üç bölümden oluşmaktadır. İsim, ilgi çekici nokta metin yazarlığı ve ürün görsel malzemesi. Bunlar arasında, ilgi çekici nokta genellikle bir ürünün veya büyük bir tanıtım mekanının temel vurgusunu ifade eder ve tıklama efektlerini iyileştirmek için tüccarlar ve işlemler için bir başlangıç noktasıdır. Kâr puanı üretmenin geleneksel yolu, aşağıdaki özelliklere sahiptir:
1. Miktar ve işçilik maliyetleriyle sınırlı, bir ürün veya mekan için genellikle üçten fazla ilgi noktası yoktur. Çoğu durumda, yalnızca bir ilgi noktası vardır. Bu bazen, ilgi çekici metin yazarlığının ve ürünün eşleşmediği durumlara yol açarak kullanıcı deneyimini etkiler .
2. Kullanıcının bir ürünün farklı satış noktalarına veya farklı metin yazarlığı ifadelerine dikkat etmesi farklıdır.Örneğin, bazı insanlar maliyet etkinliğine dikkat eder, bazı insanlar kaliteye vb. Rehberlik verimliliğinin iyileştirilmesine elverişlidir.
Bu nedenle Double Eleven'da bu kez akıllı yazarlar, anasayfa öneri algoritma ekibi ve büyük tanıtım platformu algoritma ekibi akıllı ilgi çekici nokta projesinde birlikte çalıştı.Sırasıyla mobil ana sayfa kalabalık buluşma yeri girişinde, kedi misafir anasayfası kalabalık buluşma yeri girişinde ve kedi misafir ana sayfa etiketinde yer aldılar. Mekanın girişi, çift onbir ana mekânın girişi, endüstri mekanı girişi ve çift onbir ana mekan etiket mekanının girişi akıllı ilgi alanlarını başlattı. Aşağıdaki resimlerde, akıllı ilgi çekici noktalar kullanılarak yapılan mekanın girişinin gerçek etkisinin kırmızı noktalı bir çizgi ile çerçevelendiği çeşitli sahne stilleri gösterilmektedir:
Double Eleven sırasında bir gruplama testi yaptık. Fayda noktası metin yazarlığının manuel olarak düzenlenmesini kullanan gruplama ile karşılaştırıldığında, akıllı fayda noktalarının gruplanması, birden çok senaryoda kullanıcı tıklama oranlarında çift haneli bir artış elde etti. Bu iyileştirme Her sahnenin optimizasyon etkisine dayalı ek iyileştirme oldukça önemlidir, bu da kişiselleştirilmiş metin yazarlığının kullanıcılara daha değerli bilgiler sağladığını gösterir.
1.2 Grafik liste oluşturma
Manuel alışverişte grafik liste, ağırlıklı olarak insanlar tarafından düzenlenen, zengin metin içeriğine sahip temalı ürünlerden oluşan bir koleksiyon olarak anlaşılabilecek önemli bir ürün organizasyon şeklidir.Üretim listesi, özellikle büyük promosyon döneminde zaman alıcı ve zahmetlidir. Bir seferde çok sayıda liste oluşturmak daha da zordur. Bu kez Double Eleven'da, akıllı yazarlar da bu çalışmaya katıldı, metin içeriğinin oluşturulmasındaki yağışla birleşti, tek ürün envanter türlerinin küçük bir listesini çıkardılar, belirli stiller aşağıdaki gibidir:
Akıllı yazarlar tarafından oluşturulan listenin etkisini doğrulamak için Double Eleven sırasında küçük bir akış başlattık ve manuel olarak düzenlenen liste ile bir kova testi yaptık. Manuel olarak düzenlenen tek ürün envanteri listesi ile karşılaştırıldığında, akıllı yazar listesi, ortalama ürün tıklama dönüşüm oranında daha iyi performans gösterir.
Aşağıda akıllı yazarların çalışmalarını, akıllı ilgi alanı ve grafik liste oluşturmanın iki bölümünde ayrı ayrı tanıtacağız.
2. Akıllı faydalar
Akıllı ilgi noktasının çözdüğü sorun, herhangi bir ürün verildiğinde, ürünün potansiyel satış noktalarına dokunması ve kullanıcı tercihlerine göre, kullanıcının ürün satış noktaları kümesinden kullanıcının en ilginç ve en olası satış noktalarını belirlemesi ve ardından bunlara dayalı olmasıdır. Satış noktası, gerçek zamanlı olarak 6 karakterden daha az kısa bir kopya oluşturur. İlgi noktası tarafından üretilen çözüm esas olarak aşağıdaki bölümlere ayrılmıştır:
1. Kullanıcı tercihi madenciliği: kullanıcının TOP K tercih etiket setini elde etmek için madencilik yoluyla temelde kullanıcının çevrimdışı ve gerçek zamanlı davranış verilerine dayanır. Çevrimiçi sistem performansının sınırlandırılması nedeniyle, kullanıcıların yaptığı tüm etiketleri kullanmamız imkansızdır, bu nedenle etiketleri optimize etmek için kullanıcı tercih etiketlerinin bir sıralama modeli oluşturduk.
2. Emtia satış noktası madenciliği: satış noktası madenciliği, emtia etiket kitaplığı, öznitelik kitaplığı, manüel olarak düzenlenmiş bilgiler vb. Dahil bazı temel verilere daha çok dayanır.
3. İlgi çekici noktalar için gerçek zamanlı kişiselleştirilmiş metin yazarlığı: İlk olarak, kullanıcının bir ürünün satış noktasındaki tıklama olasılığını tahmin etmek için PairXNN modelini öneriyoruz ve ardından anlamsal kurallar ve manuel çalışmaya dayalı olarak farklı senaryolara göre uygun satış noktasını seçiyoruz. Tasarlanan şablon, ilgi çekici nokta metin yazarlığının gerçek zamanlı kişiselleştirilmiş üretimini gerçekleştirir.
Aşağıdakiler esas olarak PairXNN'nin ayrıntılarını tanıtmaktadır.
2.1 PairXNN'ye Genel Bakış
Ürün satış noktasının tıklama oranını tahmin etme probleminde kullanıcı tercihi etiketini ve ürün satış noktasını metinde ifade ettik.Bu nedenle seçtiğimiz temel model Aliaksei Severyn'in çalışmasıdır.Çalışmaları esas olarak kısa metin çiftlerinin sıralanmasını çözer. sorun. Sürekli yinelemeli deney optimizasyonundan sonra, nihayet aşağıdaki şekilde gösterildiği gibi PairXNN ağ yapımızı oluşturduk:
Model birkaç ana bölümden oluşmaktadır:
1. Kullanıcı tercihlerinin ve ürün satış noktalarının anlamsal temsili: Kullanıcılar nispeten büyük miktarda tercih etiketine sahip olduklarından, çok sayıda kullanıcı tercih etiketi üzerinde daha derin tercih madenciliğinin nasıl yürütüleceği bu bölümde çözülmesi gereken temel konudur.
2. Çok seviyeli benzerlik modülü: Farklı anlamsal seviyelerde kullanıcı tercihleri ile ürün satış noktaları arasındaki benzerliği hesaplayın.
3. Ek Özellikler: Model efektlerine yardımcı olmak için manuel olarak tanımlanan ek özellikleri tanıtın. Örneğin, kullanıcı tercihlerinin özellikleri, satış noktalarının istatistiksel özellikleri, kullanıcı tercihleri ve satış noktalarının örtüşme özellikleri vb.
Tüm PairXNN modelinin eğitimi ve çevrimiçi tahmini, kendi geliştirdiğimiz dahili XTensorflow platformumuza dayanmaktadır.
2.2 Anlamsal temsil
Kullanıcı tarafındaki tercih etiketlerinden anlambilim çıkarırken, kullanıcı tercih etiketlerinin özelliği göz önünde bulundurulduğunda, makul anlamsal anlamı olan gerçek bir cümle değildir.Bu nedenle, tümü dahil olmak üzere çeşitli farklı semantik temsil ağ yapılarını denedik. DNN'yi ve aynı CNN, Kapılı CNN'yi, öz-ilgiyi ve özel dikkati bağlayın.
Bunlar arasında Geçitli CNN, geleneksel CNN yapısının bir optimizasyonudur ve hangi bilgilerin daha önemli olduğunu ve hangi bilgilerin saklanması veya atılması gerektiğini belirleyebilen bir geçit mekanizması ekler. Öz dikkatin kullanımı, kullanıcının tercih etiketi sırasını hesaba katmaktır ve küresel anlamsal alaka düzeyine daha fazla dikkat edilmesi gerekir. Özel ilgi, performansı optimize etmek ve anlamsal temsil ağını basitleştirmek için önerdiğimiz yeni yapıdır, çünkü akıllı ilgi noktalarının sahnelerinin tümü, çok fazla trafik ve daha yüksek performans gereksinimleri olan önemli sahnelerdir. Son olarak, Double Eleven sırasındaki çevrimiçi bucketing testinden sonra, Geçitli CNN en iyi genel ağ performansına ve etkisine sahiptir, bu nedenle Double Eleven'ın tamamen çevrimiçi modeli, ağ yapısını temsil etmek için Geçitli CNN'nin anlamını kullanır.
2.3 Çok seviyeli benzerlik modülü
Kullanıcı ve ürün tarafı bilgilerinin yukarıdaki haritalandırılmasına ve çıkarılmasına ek olarak, kullanıcılar ve ilgi noktaları arasındaki korelasyonu hesaplamak için, kullanıcı tercih etiketleri ile ürün satış noktaları arasındaki benzerliği iki farklı anlamsal seviyeden hesaplıyoruz:
1. Kullanıcı tercihi etiketinin gömme katmanının çıktısının ve ürün satış noktasının gömme katmanının çıktısının kosinüs benzerliğini hesaplayın.
Kullanıcı tarafındaki tüm kelimelerin gömme matrisinin olduğu ve kelimelerin çarpım tarafındaki gömme matrisinin olduğu varsayıldığında, iki kelime arasındaki bire bir yazışmanın kosinüs benzerliği (gömme normalleştirilmiştir):
Sırasıyla maksimum havuzlama / dakika havuzlama / ortalama havuzlama olmak üzere bu temelde global havuzlama yaptık ve 3 değer elde ettik. Yukarıdaki formülle elde edilen benzerlik düzleştirildikten sonra, havuzlama katmanından elde edilen sonuçla tek boyutlu bir vektöre ve bir sonraki katmana girdi ile uyumludur.
2. Kullanıcı tercih etiketlerinin anlamsal gösterimi ve emtia satış noktalarının anlamsal temsili için iki doğrusal benzerliği hesaplayın.
Kullanıcı tarafı vektörü ile çarpım tarafı vektörünü bağlamak için bir matris M tanımlayın, formül aşağıdaki gibidir:
onların arasında
Benzerlik matrisidir. Bu, kullanıcı tarafındaki girdiyi şuna eşlemeye eşdeğerdir:
M şu anda eğitilebilir olduğundan, benzerliğin doğruluğunu artırmak için kullanıcı tarafındaki ve öğe tarafındaki alan daha yakın hale getirilebilir.
Çevrimiçi deneysel sonuçlar, iki benzerlik seviyesinin üst üste binmesinin, tek başına ctr kullanımından daha iyi olduğunu göstermektedir.
3. Grafik liste oluşturma
Bir grafik liste genellikle net bir temaya sahiptir ve ilgili metin açıklaması ve ürün önerisi bu tema etrafında yapılır. Bu özelliğe yanıt olarak, çözümümüz aşağıdaki bölümleri içerir:
1. Tema. Bu tema dışarıdan girilebilir (işlem) veya tema keşfimizin oluşturduğu tema kitaplığına göre seçilebilir.
2. Seçim. Temayı belirledikten sonra bu temaya göre butikten temayla alaka düzeyi yüksek ve kaliteli ürünler seçip belirli hedeflere sahip bir liste halinde birleştiriyoruz (genellikle bir liste 6-10 ürün içeriyor).
3. Ürün önerisi nedenlerinin oluşturulması. Listedeki her bir öğe için 40-80 kelimelik bir öneri nedeni oluşturun.
4. Başlık oluşturma. Listedeki ürün bilgilerine göre, listeye temayı özetleyen ve kullanıcıları tıklamaya çeken bir başlık verin. Listenin başlığı nispeten kısadır, genellikle 20 kelimeden uzun değildir. Örneğin: "Tembel koltuk, sonbaharın başlarında tembel zamanın tadını çıkarın."
3.1 Derin Nesil Ağı
Grafik listelerinin oluşturulmasındaki iki modül, ürün önerisi nedenleri ve başlıkların oluşturulması, bunları doğal dil üretme (NLG) sorunları olarak sınıflandırıyoruz ve her ikisi de giriş bilgisine dayanan metin oluşturma sorunları olarak tanımlanabilir. Bunlar arasında ürün önerisi neden üretme sorusunda ürüne ait bilgiler girilir, ürün koleksiyonuna ait bilgiler liste başlığına girilir. Bu nedenle, sorunu çözmek için son zamanlarda popüler olan Encoder-Decoder derin sinir ağı modeli çerçevesini benimsedik ve Dikkat tabanlı Seq2Seq'in temel modeline dayanarak, nihayet Derin Nesil Ağımızı oluşturduk.
İşte birkaç önemli kısım.
3.1.1 Örnek
Numunelerin kalitesi ve miktarı, model etkisinin temelini oluşturur.Manuel ürün önerisi neden verilerine göre temizledik ve Taobao'da derlenen başlık verilerini listeledik ve hedeflerimizi karşılayan numune seti verilerini elde etmek için filtrelendik.
3.1.2 kapsam dikkat modeli
Tavsiye nedeni oluşturmada, genellikle birden fazla içeriğin aynı girdi bilgisini tekrar tekrar tanımladığı veya girdi bilgilerinin öneri nedenine dahil olmadığı durumlar vardır. Bu sorun, makine çevirisindeki "aşırı çeviri" ve "eksik çeviri" sorunlarına benzer. Geleneksel istatistiksel makine çevirisi yönteminde, hangi girdi kaynak metninin çevrildiğini kaydetmek için kapsam kavramı vardır ve sonraki model, esas olarak çevrilmemiş metnin çevirisini dikkate alır. Derin öğrenmede bu etki, kapsam modeli ile dikkat modeli birleştirilerek elde edilir.
Orijinal dikkat hesaplama yöntemi aşağıdaki gibidir:
3.1.3 bağlam kapısı
Önerilen nedenin çıktısında, modelin ana gövdesi RNN'nin seq2seq mimarisine dayanır, ardından kod çözücünün çıktısındaki çıktı esas olarak iki bölümden etkilenir:
1. Enkoder girişinin parçası
2. Diğer kısım, mevcut adımın önceki adımının çıktısıdır.
Daha sonra farklı çıktılar için, iki parçanın etkisi farklı olmalıdır.Örneğin, mevcut giriş kelimesi bir fonksiyon kelimesi olduğunda, ana bilgi kodlayıcıdan etkilenmelidir, ancak önceki kelime açık bir şekilde mevcut kelime ile ilişkiliyse, mevcut kelime Ana kelime önceki kelimeden etkilenmelidir. Bu nedenle, bu durumu modellemek için bir bağlam kapısı eklemeyi düşünüyoruz.
Formül aşağıdaki gibidir:
3.1.4 Işın Arama
Bir önceki makalede bahsedildiği gibi, cümle oluşturmak için RNN kullanıldığında, sonuçta en yüksek olasılığa sahip kelimeyi her an üretilen kelime olarak almak, kelimelerin kombinasyonunu dikkate almadan daha açgözlü bir yaklaşımdır.Bu nedenle, seq2seq deneyini de kullanıyoruz. Denenmiş ışın araması. Işın araması yalnızca tahmin edilirken kullanılır Örneğin, ışın arama boyutu = 2 olduğunda, en yüksek akım olasılığına sahip iki dizi her an tutulacaktır.
Işın araması pratikte çok kullanışlıdır.Üretilen sıraya müdahale için iyi bir temel sağlar.Bir yandan, ışın arama aday kümesinin seçimini ve son sıranın seçimini özelleştirebilirsiniz. Örneğin, siz Öte yandan, bazı modellerin çözmeyi tam olarak garanti edemediği kötü durumlar (tekrarlanan sözcükler gibi) ışın aramasında işlenebilir.
3.1.5 CNN
Listenin başlığını oluşturma problemine gelince, girdi birden fazla ürünün metin içeriği olduğu için ürün metinleri arasında gerçek sıra ilişkisi yoktur, bunun yerine temaya göre başlığı oluşturmak için konu özelliği çıkarımına benzer bir bölüme ihtiyaç vardır. Ve CNN, cümle sınıflandırmasında iyi bir şekilde uygulandı, bu nedenle, başlık oluşturma probleminde Kodlayıcı olarak CNN kullandık Deneysel sonuçlar ayrıca CNN'nin başlık oluşturmada LSTM'den daha doğru olduğunu gösteriyor.
3.1.6 Pekiştirmeli Öğrenme
Eğitim ve tahmin sırasında aşağıdaki 2 problemle karşılaşacağız:
1. Eğitim ve tahmin ortamı farklıdır. Kod çözücüdeki eğitimin her çıktısı, önceki pozisyondaki yer gerçeğinin girdisine bağlıdır, tahmin ise önceki pozisyondaki tahminin çıktısıdır. Tahmin sonucuna güvenirseniz, kaybın birikmesine neden olur ve eğitimi bir araya getirmek çok zordur.
2. Değerlendirme hedefimiz, oluşturulduktan sonra tüm cümle ile örnek arasındaki karşılaştırma olan BLEU değeridir.Eğitim yaptığımızda, değerlendirme ile eğitim hedefi arasındaki farka neden olan her pozisyondaki tahmin etiketi için kaybı hesaplıyoruz. Ve BLEU, gecikmiş bir ödüle eşdeğer olan genel bir hedeftir.
Özetle, çözmek için pekiştirmeli öğrenmeyi kullanmak çok uygundur. Böyle bir pekiştirmeli öğrenme problemi için, önce bu problemin üç unsurunu tanımlıyoruz:
1. Eylem: her zaman adımı tarafından seçilen aday kelime
2. Durum: her zaman adımının gizli durumu
3. ödül: son BLEU değeri
Algoritma akışı aşağıdaki gibidir:
1. sıcak başlangıç: modeli nispeten yakınsak bir duruma erişecek şekilde eğitmek için yine de orijinal yöntemi kullanın.
2. Kod çözme işleminin sonuna yavaş yavaş pekiştirmeli öğrenme yöntemleri ekleyin, örneğin, sondan bir önceki konumdan pekiştirmeli öğrenme ekleyin ve yakınsama iyi olduğunda, sondan bir önceki konumdan eklemeye başlayın.
Kayıp şu şekilde tanımlanır:
3. Eylem seçilirken KNN yöntemi kullanılır. Bu makale, politikaya uygun bir yöntem olan REINFORCE algoritmasını kullanır ve metnin eylem alanı çok büyüktür, bu nedenle yakınsamak daha zordur. Puanlamak için orijinal tahmin yöntemini kullanırız ve yüksek puanlı N kelime aday kelime olarak kullanılır. Daha sonra bu kelimeler ve politika önerisi tarafından seçilen kelimeler KNN olarak kullanılır.Uzaklık gömme sonrasındaki mesafedir ve eylem olarak en yakın mesafe seçilir.
4. Sonunda, beklenen girdiyi koruyan ilk zaman adımı haricinde, geri kalanı pekiştirmeli öğrenme yöntemleri olacaktır.
3.2 Efekt ekranı
Size bazı sezgisel hisler vermek için test setinde oluşturulan bazı başlıklar ve önerilen nedenler şunlardır:
Liste başlığı
-
Kazak, genç canlılığını giy
-
Artı polar kotlar, kışınızı daha mütevazı yapın
-
Denim ceket, yakışıklı görünüyorsun
-
Kuzu yünü ceket, tüm kış sıcak
-
Ekose bir kıyafet giy, saniyeler içinde seni tanrıça yap
-
İşyerine yeni başlayanlar, işyeri giyim kılavuzu
-
Beyaz bir gömlek giy ve sessiz bir kadın ol
-
Dantel giy ve seksi bir kadın ol
Emtia tavsiye nedeni
-
Bu örgü elbise, seksi ve zarif bir seksi köprücük kemiği ortaya çıkaran v yakalı bir tasarım kullanıyor.Vücut üzerindeki kontrast dikiş, görsel etkiyi zenginleştiriyor ve bir moda duygusu gösteriyor.
-
Sade yuvarlak boyun tasarımı boyun çizgisini değiştirir ve orta uzunlukta tasarım zarif ve cömert, temiz ve zarif görünür, yepyeni bir edebi tarz sergiler ve onurlu zarif bir mizaç gösterir.
-
Sahte iki parçalı tasarım, figürünüzü daha ince, gevşek, giymesi rahat, seçici değil, şık ve çok yönlü ve giymesi kolay hale getirir.
Dört. Görünüm
Akıllı yazarlar, Double Eleven'da akıllı avantajların ve grafik listelerinin oluşturulmasında ilk sonuçlara ulaştı, ancak hala çözülmesi gereken birçok sorun var. Aşağıdaki yönleri keşfetmeye ve optimize etmeye devam edeceğiz:
1. Etkililik değerlendirmesi. Şu anda, etkiyi değerlendirmek için BLEU, kapsam, doğruluk ve manuel değerlendirmenin bir kombinasyonu kullanılmaktadır.Ancak, BLEU gerçek hedefle tamamen tutarlı değildir ve manuel değerlendirmenin maliyeti yüksektir ve daha iyi bir değerlendirme planına ihtiyaç vardır.
2. Daha zengin giriş bilgileri. Ürün resimleri, kullanıcı incelemeleri vb. Dahil bilgilerin tanıtılması, yalnızca girdi ve çıktı tutarsızlığını gidermekle kalmaz, aynı zamanda kullanıcılara daha değerli içerik sağlar.
3. Dil üretme anlayışı. Modelin görselleştirilmesiyle, kötü durumların temel nedeni analiz edilebilir ve model optimize edilebilir.
4. Makine üretimi açısından, açıklamanın doğruluğu ve çeşitliliğinin hala çözülmesi gerekmektedir.Ayrıca, yeterli numuneye sahip olmayan birçok işletmenin de üretim gereksinimleri olduğu düşünüldüğünde, modelin taşınmasının mümkün olup olmadığı da olası bir yöndür.
5. Takım hakkında
Alibaba tavsiye algoritması ekibi şu anda esas olarak Alibaba e-ticaret platformlarındaki (Taobao, Tmall, Lazada vb. Dahil) ürün ve beslemelerin önerilmesinden sorumludur. Bunların arasında, kullanıcının alışveriş rehberi sahnesi kişiselleştirilir, ana sayfadaki ilk resim kişiselleştirilir, beğenirsiniz, satın alma bağlantısı vb. Sahne, her gün yüz milyonlarca kullanıcıya hizmet veriyor, akıllı metin oluşturma, trafik verimliliğini iyileştirme, kullanıcı deneyimi, tüccarların ve uzmanların Taobao'ya katılma hevesini artırma ve iş ekosistemi operasyon mekanizmasını optimize etme dahil.
Algoritmaları seven, iş dünyasına meraklı ve işbirliği ruhuna sahip öğrenciler birlikte çalışmaya ve büyümeye davetlidir. Özgeçmiş posta kutusuna gönderilebilir:
shaoyao@taobao.com
Veya guli.lingl@taobao.com
Veya jinxin.hjx@alibaba-inc.com
West Lake kıyısında, mektubunu bekliyorum ~
6. Referanslar
Severyn A, Moschitti A. Evrişimli derin sinir ağları ile kısa metin çiftlerini sıralamayı öğrenmek // 38.'in bildirileri
International ACM SIGIR Conference on Research and Development in Information Retrieval. ACM, 2015: 373-382.
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser ve Illia Polosukhin.
Tek ihtiyacınız olan dikkat arXiv baskı öncesi arXiv: 1706.03762,2017.
Dauphin Y N, Fan A, Auli M, ve diğerleri.Gated evrişimli ağlarla dil modelleme. ArXiv ön baskı arXiv: 1612.08083,2016.
Luo W, Li Y, Urtasun R, ve diğerleri.Derin evrişimli sinir ağlarında etkili alıcı alanı anlama // Gelişmeler
Sinirsel Bilgi İşleme Sistemleri.2016: 4898-4906.MLA
Hizalamayı ve Çevirmeyi Ortak Öğrenerek Nöral Makine Çevirisi
Rush A M, Chopra S, Weston J. Soyut cümle özetlemesi için bir sinirsel dikkat modeli. ArXiv ön baskı arXiv: 1509.00685, 2015.
Kim Y. Cümle sınıflandırması için evrişimli sinir ağları. ArXiv ön baskı arXiv: 1408.5882, 2014.
Tu Z, Lu Z, Liu Y, vd. Nöral makine çevirisi için modelleme kapsamı. ArXiv ön baskı arXiv: 1601.04811, 2016.
Tu Z, Liu Y, Lu Z, vd. Nöral makine çevirisi için bağlam kapıları. ArXiv preprint arXiv: 1608.06043, 2016.
Tekrarlayan Sinir Ağları ile Sıra Seviyesi Eğitimi, ICLR 2016.
Kishore Papineni, Salim Roukos, Todd Ward ve Wei-Jing Zhu Bleu: Makine çevirisinin otomatik değerlendirilmesi için bir yöntem.
