欢迎进入UG环球官网(环球UG)!

choi baccarat:以微信为例,聊聊在内容推荐上AI的一些应用实践

admin2个月前57

USDT第三方支付API接口

菜宝钱包(caibao.it)是使用TRC-20协议的Usdt第三方支付平台,Usdt收款平台、Usdt自动充提平台、usdt跑分平台。免费提供入金通道、Usdt钱包支付接口、Usdt自动充值接口、Usdt无需实名寄售回收。菜宝Usdt钱包一键生成Usdt钱包、一键调用API接口、一键无实名出售Usdt。

原题目:以微信为例,聊聊在内容推荐上AI的一些应用实践

编辑导语:AI与产物的融合早已经不是什么新鲜事,微信作为内容产物服务的一大提供者,自然也离不开内容推荐。而内容推荐与AI的连系,对微信来说是一大时机和挑战。本文作者以微信为例,和我们聊一聊在内容推荐上,AI都有哪些应用实践。

内容推荐一直是流量分发中十分常见的应用偏向,如头条资讯、抖音的短视频、网易云音乐等等。而微信也从去年最先逐渐推出更多内容产物服务,包罗视频号、直播、看一看等等,对于微信而言既是机遇也是挑战。

机遇意味微信已经最先探索出属于自己的内容生长偏向,挑战则是在若何在重大的流量上,管好内容的质量输出、推荐服务体验。

而本文也将基于微信当前的内容产物服务,聊一聊微信将在多个场景服务上,都可能会举行哪些AI能力实践(值得说明一下的是,本文无意从手艺角度探讨AI原理,更多从应用场景出发领会当前的实践情形)。

1. 到底什么是内容推荐?

在当下娱乐高度消费的社会,每个人险些天天都在接触差别的内容产物服务。尤其是现在推荐算法越发成熟,对用户和内容的明白越发深刻。

诸如头条的资讯、抖音的短视频或网易云音乐等等,但这些都是只是用户能接触最表层的“事物”,要想提供这样的服务,背后有着一套成熟的系统。以是在这里也先简朴科普下,什么叫内容推荐服务。

以上就是一套典型的内容推荐服务系统,详细可以划分3部门:基础服务>内容识别+用户画像>推荐引擎。

1.1 基础服务

所谓基础服务,即搭建整个系统服务所需的一些基础能力。基于内容、用户及推荐引擎环节,这样的基础服务需要涉及内容源、工程、数据等方面的能力支持。

1.2 内容识别

这是本文的重点探讨内容,在推荐服务中,我们要把“内容”这一详细物品给到用户手上,在此条件上是要对内容举行适当的明白识别,来支持更好的推荐。

而这道工序就涉及内容平安、内容质量及内容体验等要害应用场景,而这部门就涉及大量AI能力的输出。下文也将重点探索微信是若何在这一环节举行AI能力实践,这里也简朴先容几个要害的算法手艺偏向:

  • CV:Computer Vision,即计算机视觉,任何关于图片、视频等形式,都主要应用这一手艺能力;
  • ASR:Automatic Speech Recognition,即自动语言识别手艺,是一种将人的语音转换为文本的手艺,例如把视频中的音频转译为文本,从而通过文本识别方式举行处置。而这一手艺难度主要在于环境滋扰水平、语言种类及词汇表丰富性等等。
1.3 用户画像

前面也提到,对内容识别的同时,也需要对“用户”举行描绘识别,只有对两方面都举行充实识别,那么推荐引擎侧才气举行更好的分发。

而用户画像本质上也是对用户打标签,至于需要打什么标签,就依赖推荐计谋的制订,但基本的身份信息、心理特征、兴趣偏好等等都是需要具备的。

1.4 推荐引擎

一个推荐模子的部署,依赖标签数据、推荐计谋等形式的组合,其中标签数据即泉源于对内容、对用户的识别数据,而推荐计谋则基于营业目的等方式制订,好比基于内容排序推荐、基于协同过滤排序推荐、基于用户行为偏好等等。

以上就是一套完整的内容推荐服务,其中本文重点探讨的就是“内容识别”这一环节。

2. 微信的内容产物矩阵

此前微信的内容产物更多的是提供多入口的流量曝光,而在推出视频号和直播之后,都最先尝试以“推荐”为形式的内容分发。

而这样的推荐,已经不仅仅是社交密友间的推荐,更多需要“平台”去介入。然则由于推出了较多内容产物,差别的内容服务其内容源是纷歧样的,这就意味着微信需要更多去明白它们当前的“内容画像”。

从上图可以看出,搭建现在已有的内容产物服务涉及3个要害环节:

2.1 基础平台

搭建这样的内容生态服务,少不了底层服务支持响应的“内容消费品”,像微信民众号提供内容推文,微信广告治理广告素材的上传、审核及投放,又或者微信应用自己可以公布响应的是非视频、社交信息(文本、图片、视频、语音等)。

2.2 内容信息

通过基础平台所提供的能力,支持了当前人人所熟知的各种内容形态的生产。如文本方面,社交谈天的文字信息、广告素材的题目文案、民众号的推文等等。

而这些将积累成为微信一大价值资源,即原创内容源,而微信也可以借助伟大的流量再连系这些内容资源,打造响应的内容服务。

2.3 内容产物

对于民众用户而言,最终能够接触和消费体验的内容服务,就是应用表层。而微信在相继推出完视频号和直播后,已经基本形成内容产物的应用雏形。

即推荐、广告及搜索于一体的内容产物服务,如推荐中的民众号推文、视频号、直播等等,广告中的朋友圈广告、民众号广告。基本上已经延伸了民众用户一样平常场景中所能触达的地方。

3. 一些常见的算法评估指标

为利便明白,这里也简朴先容下AI算法能力的常见评估指标:准确率、准确率、召回率、漏报率、误报率。

假设当前有100个视频样本集(已去重),其中是影戏类视频(正样本)的为70个,非影戏类视频(负样本)的为30个。而针对这一批样本集,算法识别为影戏类的视频为80个,非影戏类20个。

其中人工验证发现算法识别为影戏类80其中现实准确为65个(正样例),剩下15个现实为非影戏类(负样例)。识别为非影戏类20其中现实准确为15个(负样例),剩下5个为影戏类样本(正样例)。

3.1 准确率

即算法准确识别正样本为正样例和负样本为负样例的总个数,在所有样本的占比,公式为:

准确率=(算法展望准确的正负样本内容/所有样本内容)*100%

假设算法识别100个视频中为影戏类视频有80个,其中65个是准确的影戏类内容(正样例),剩余20个非影戏类视频中15个准确的非影戏类内容(负样例),则为:(65+15)/100*100%=80.00%。

3.2 准确率

即算法准确识别正样本为正样例的工具,在所有识别工具(包罗负样例错误以为正样例)的占比,公式为:

准确率=(算法展望准确的内容/算法展望的所有内容)*100%

假设算法识别100个视频中为影戏类视频有80个,其中在数据验证中发现80个内里有65个是准确的,则为:65/80*100%=81.25%。

3.3 召回率

即算法准确识别正样本为正样例的工具,在所有内容池中现实正样本的占比,公式为:

召回率=(算法展望准确的内容/所有准确的内容)*100%

假设算法识别100个视频中为影戏类视频有80个,其中在数据验证中发现80个内里有65个是准确的,而100个视频中真正为影戏类的70个,则为:65/70*100%=92.85%。

3.4 漏报率

即算法识别为正样例但现实为负样例的工具,在所有内容池中正样本的占比,公式为:

漏杀率=(算法展望错误的准确内容数/所有现实的准确内容数)*100%

假设算法识别100个视频中为影戏类视频有80个,即以为剩下20个为非影戏类,而在数据验证下发现20其中有5个现实是准确的(即算法未识别到),则为:5/70*100%=7.14%。

3.5 错报率

即算法识别为负样例但现实为正样例的工具,在所有内容池中负样本的占比,公式为:

错报率=(算法展望准确的错误内容数/所有现实的错误内容数)*100%

假设算法识别100个视频中为影戏类视频有80个,其中在数据验证中发现80个内里有15个现实是错误的,而100个视频中现实为非影戏类的有30个,则为:15/30*100%=50.00%。

以上就是算法通例的效果验证指标,而通常准确率、召回越高即代表效果越好。

然则差别的营业场景差别,尺度是纷歧样的,有些可能要求高准确低召回,也可能是高准确高召回,以是指标效果基准看营业需求而定。但整体主要性依次为:准确率>准确率>召回率。

4. 内容推荐上的一些AI实践

人人所接触被”推荐“的内容,实在是被加工处置过,是一个近乎合适准确的内容给到用户手上。然则要做到这个境界,就需要不少的“潜在”事情。在内容推荐服务中,实在还具备“内容平安”、“内容质量”和“内容体验”等3个环节的场景需求。

而在斯洛五条理需求里,对应的即是“心理平安需求”及“尊重需求”。那么接下来,将进一步研究在这3个环节上,微信是若何施展AI手艺能力的价值输出。

4.1 内容平安

上图是微信民众号平台官方规范,包罗了诸多方面。现实上内容平安是内容推荐中的第一步,也是最基础的一步。

而这里的平安指所推荐的内容服务相符国家、行业、平台及用户自身等权利义务和执法法规要求的规则。广义上包罗了平台内外的“合规平安”,平台外指国家规定、行业执法等,平台内则指平台规则、权利义务等。

详细来说:

  • 平台外:国家层面是否涉恐、涉政、黄赌毒等,行业层面是否侵略版权(原创声明)、是否冒认等;
  • 平台内:基于平台的产物服务和特征,举行平台产物的使用规范,如制止唾骂、广告、低俗、灌水等。

针对以上的敏感内容,作为一个内容平台是要对其举行平安审核。这里的审核通常是机械审核和人工审核并行,而AI就是做的机械审核。

4.1.1 场景价值

平安是产物是否能持久生长的生命线,若是一旦触碰底线,对网络公共环境、文化流传都有较大的负面影响。一旦平台泛起触碰底线的内容,轻则举报投诉或下线整改,重则可能直接被关停。

人人可以注重为什么会经常有”谈话“,以及为什么时不时会有些“产物”被点名并要求各应用商铺下架,其中一部门缘故原由就是产物服务在流传有损公共利益,造成不良影响的内容。以是不管是哪家公司产物,这都是需要十分关注的。

,

Usdt第三方支付接口

菜宝钱包(caibao.it)是使用TRC-20协议的Usdt第三方支付平台,Usdt收款平台、Usdt自动充提平台、usdt跑分平台。免费提供入金通道、Usdt钱包支付接口、Usdt自动充值接口、Usdt无需实名寄售回收。菜宝Usdt钱包一键生成Usdt钱包、一键调用API接口、一键无实名出售Usdt。

,

4.1.2 能力输出

当前行业内,对内容平安审核这一环都有各自成熟的产物能力输出。譬如百度、腾讯、阿里和网易(易盾)等。通常对于这块的AI能力输出,对于微信而言,存在以下的应用实践:

4.1.2.1 能力类型

由于微信的内容形式较多,但有些是单一的内容形态,如纯文本的谈天信息、朋友圈动态等等。但也有多形态聚集的内容服务,譬如民众号推文、视频号的视频内容等等。

差别的形态,所接纳的AI能力也是有差异的(在算法规则上):

  • 单一内容服务:单一的内容形式,只要做接纳直接对应的AI算法能力即可。好比文字则依据NLP能力举行文本检测审核,图片则用CV中的图片检测审核。
  • 多内容服务:多个形态聚集的内容服务,举个例子像民众号推文就涉及题目文本(30个字符内)、图片、视频、摘要、正文(字符不限)。由于这里涉及较多形态,这里的算法能力输出会更为庞大。

a. 文本检测审核

主要接纳NLP偏向的算法能力,针对文本举行平安规则审核。

而这些规则d主要连系国家执法法规、平台规范等方面而开发响应的算法模子。譬如可以识别唾骂、广告、涉政等内容。而这里的文本检测除了磨练词库数据丰富性,另有磨练差别语言的庞大性。

b. 图像检测审核

主要接纳CV偏向的算法能力,这里的图像检测包罗纯图片及视频内容的审核,现实上视频是由多张图片(即一帧帧)组合而成,以是本质上两者都归属在图像检测审核。

然则由于视频较长,基于手艺限制不能能把每一帧都举行检测,通常会基于一定计谋(随机、按比例抽取等)举行截帧检测。同时图像的检测会夹杂多种手艺举行支持,譬如OCR检测识别文本内容、NER实体识别详细内容(如人物、商品)。

c. 语音检测审核

语音检测从另外一种方式,就是把语音转译成文本,既而接纳文本的方式举行检测审核。以是可以把其看成另一种文本检测方式,但这里要害在于保证语音酿成文本后的准确性。

  • 难点1:多个形态及形态纷歧的算法能力检测,对算法的手艺指标有更高要求。好比题目文本字符有限,检测工具的难度较低,但推文的正文却是字符数不确定,词句之间也有更庞大的语言转变,那么同样做文本审核就更为难题;
  • 难点2:多内容之间存在语义关联(即多模态剖析)。再譬如视频号的视频从题目、封面、摘要都没有问题,都含有某一政治人物,然则在视频中泛起了一个文字特效,这个文本内容同样表达唾骂性子的,那么这样关联起来也是有问题的。

4.1.2.2 审核局限

大要而言,两种主要的审核类型,以上为其支持检测局限内。那么基于这些情形,微信会基于差别的产物服务举行响应的平安检测。直观地看,实在可以从下图可以看出。

  • 图中左侧的2张图,是典型的文本检测审核案例,从这里可以看出这是差别文本做出了是否正常及问题点的平安检测;
  • 图中右侧的2张图,尤其是“已住手接见该网页”图,这是人人常见微信的一种的异常处置方式,显然这是一个垃圾广告营销性子的推文而被封禁。而最后一张图则是正常的一篇推文,对题目、视频中的文本、水印等实在也会举行相关检测,完成平安审核。

4.1.2.3 小结

人人一样平常在微信所能看到的内容,实在是做了一定内容平安而审核过滤的。

然则通常平台不会百分比交给AI来实现,由于有些识别存在界限模糊的情形,而这些内容自己存在极高敏感性。以是通常在内容平安场景,都市举行“机审“和”人审“的连系,最大水平保证平安。

以是在平安审核场景下所涉及的AI算法,诸如文本图片的高敏、低俗等,会相对关注“漏报率”和“误报率”,简朴来说,对于平台而言审核错了,重新开放即可。

然则一旦平安审核漏了,最终出现给用户,若是内容恶劣水平十分之高,那么将会造成极大的负面影响。以是这两个指标也是该场景的各种算法尤其关注。

4.2 内容质量

内容质量是内容推荐过程中是否高优推荐的一个尺度。而所谓内容质量,除了内容合规、社交密友推荐以外,单看这一内容自己是否为原创、篇幅(视频时长)长度、内容结构是否清晰简练(题目党、图文不符)、视频图片是否清晰等等。

但由于这一类型内容自己有着庞大的语义关系,若是要通过AI完全判断是否高质量实在是很难的,由于自己没有一个通例的尺度。然则一些基础的判断是可以做到的,譬如图片质量、文章质量等等。

4.2.1 场景价值

对于许多内容创作者而言,可能也都清晰当内容的“质量”到达一定水平,一样平常官方平台都市加大推荐力度。

由于如果内容作品质量欠佳,过多推荐一是影响平台的调性,二是消耗用户的兴趣度,历久以往只会造成更大的损失的。由于好的内容,才气真正挽留及感动用户。

4.2.2 能力输出

从上图可以看出,左1显示微信直播游戏垂类下,动物封面和品类气概推荐纷歧致的情形。而右侧的2张图,则是高清晰和模糊画质视频的对比。而这些都是内容推荐上,常遇到的质量问题。

那么针对在质量检测上,同样有诸多场景将可以值得探索。而在微信内,主要可以有2大维度“内容结构、素材质量”举行实践。

4.2.1.1 内容结构

常见包罗题目党、图文不符(即文中插图、封面插图与内容无关)、声画不符(即视频内容和音频内容纷歧致)等场景。

4.2.1.2 素材质量

包罗清晰度(图片、视频等)、音频质量(如卡顿、无声、噪音等)、声画差别步(如延迟)等场景。

  • 清晰度:有时候视频或者图片的清晰度,会影响用户感官感受。清晰度的识别也是当前内容分发中常见的应用场景。而这一能力主要能够识别当前图片或图像是正常或是模糊等判别,那么这里就依赖多个手艺聚集,如人脸检测(人物主体是否清晰)、分辨率识别(图片截帧识别分辨率或像素)、OCR等等;
  • 音频质量:若是是视频内容或者是音乐内容,那么就需要注重当前分发的音频是否泛起卡顿、无声或噪音等等,若是能从AI上举行这样的支持,则能在分发时就规避这些低质量内容;
  • 声画差别步:现实这也是存在的场景之一,即视频在播放过程中,音频会泛起延迟或提早,与视频当前播放内容泛起纷歧致,实在这样也会影响体验效果。

4.2.1.3 手艺支持

针对以上的场景,输出响应的AI能力条件也是需要依赖更多的手艺手段作为支持。

其中有几个有些对照抽象,无法明白。那么这里举个例子,来先容一下。假设需要判断图中中心的视频内容,确实与主题内容相关,需要划分举行哪些能力支持。

  • OCR检测:由于是视频,需要通过OCR来识别其中的文本,如弹幕、水印等,来网络数据;
  • 要害词抽取:通过OCR识别的文本,视频自己的题目等,举行一系列的“要害词”抽取,可以识别出诸如“影戏”、“海报”、“爱乐之城”、“高司令”等要害词。然则这些要害词都是自力个体数据,没有关系,那么接下来就需要知识图谱及NER来举行进一步的“联络”;
  • 知识图谱:连系NER实体识别以及上述的要害词,基于知识图谱关系来梳理出“影戏-爱乐之城-男主角高司令”等这一系列有序的数据;

内容分类:实质为分类标签,即对内容打标举行各级分类,从以上的数据可以看出它是属于影戏类(一级分类)-西欧影戏(二级分类)这样的关系。分类的周全性及细粒度体验当前平台的分类标签能力。若是平台足够贮备这样的分类数据,连系以上的数据,就可以快速识别该内容是一致的,可以举行推荐池基于推荐规则举行分发。

4.3 内容体验

在做了内容平安、内容质量的环节后,内容在推荐过程中已经获得了一定的分发。然则此前都是针对单一内容作品举行AI能力支持,而在推荐过程中,以及多内容分发时,遇到的又是另一重问题。

而内容体验指的是内容在推荐过程中,所给用户带来的体验感受。基于这样服务场景,AI同样可以举行一些能力输出探索。

4.3.1 场景价值

人人在体验信息流推荐时,譬如抖音或者当前微信视频号的推荐频道,大多基于用户偏好、行为偏好等方面举行计谋推荐,这样就有一系列体验问题:

  • 假设作为消费型用户,我喜欢体育及科比球星,那么是否推荐都给我推荐科比的视频?
  • 假设作为内容生产型用户,人人都创作了科比的视频,你一个我一个都这样推荐给用户,看着对内容生产者有利益,但对于普通用户而言是否就有辅助?
  • 假设作为内容生产型用户,我手上有几个视频号自媒体矩阵(以及都有较高的粉丝量),然则这几个账号内里有些作品内容是险些重复的。那么作为平台方,该若何规避这些差别账号但旗下内容重复的分发?
  • 假设有一个地域性的新闻视频,所报道的内容是跟深圳内陆强相关的,然则在没有做分类及位置信息的条件下,怎么最大化地把这个内容合适推荐给内陆信息流内里去?
  • 单看某一条内容从平安、质量两个层面来看都是ok的,然则仅仅思量这两点是完全不够的,关注用户在内容推荐中的体验情形,并连续优化,最终反哺平台生长(譬如由于体验更好增添停留时长、互动次数频仍等等)。

4.3.2 能力输出

在已经完成了平安和质量检测后,内容已经具备一定的可鉴赏性。

那么想要进一步改善用户体验,主要在于推荐的内容是否准确和契合用户喜欢,而这部门更多是推荐计谋的事情。那么剩下的就是使用体验上尽可能获得提升。那么在此环节,算法所能服务的应用场景主要涉及3个偏向。

4.3.1.1 内容重复

这类问题场景,是时下内容推荐营业最常见的问题。

一个缘故原由在于创作者自己是多媒体矩阵,可能差别的账号会举行同内容的公布。其二是内容平台自己也会从第三方平台引入内容,自己内容的泉源归属就不能控,以是也不能避免引入的内容会和其他第三方平台内容存在重复。

包罗短视频推荐、新闻资讯推荐、直播推荐等等,人人可能在一样平常中都市有时刷到重复内容,这里重复的情形主要分为2种:

  1. 纯内容重复:即内容完全或靠近一致。这种可能存在统一账户下多条内容重合,或差别账户下统一条相似内容重合。从上图中的左侧1、2可以看出,这是统一时段内(23点34-35分间),统一条相似内容在差别的账户下发生重复征象。明显微信在这方面实在还没做到精细化的治理,然则AI能力上,实在是可以举行“重复”判断及置信度的反馈,获取这样的算法标签时,在内容推荐分发上就可以一定水平上规避这样的情形。即假设用户已在头一条乐成曝光和旁观内容,则在相似的下一条基于已有重复标签,在去重时间窗口内(如3个月内)举行过滤分发。
  2. 主题性重复:即在内容推荐过程中,主题分类或话题性十分相似。譬如前面提到科比视频,若是在视频推荐中前10条中7条都是科比的(只管详细内容差别),然则基于偏好不能直接分发给用户,由于这样看似迎合了用户喜欢,但现实反而造成用户鉴赏疲劳,相似性内容太多缺乏好奇性和新鲜性,最终影响对平台的感官感受。这里的支持,依赖于主题分类的规则制订。

4.3.1.2 内容分类

垂直分类是内容推荐的一个主要支持点,由于用户自己有对某些特定的领域会有强偏好显示,那么在推荐上就要有所偏重。然则用户自动选择主题分类公布自己是一个不确定性行为,甚至有些还选不准确(有界限模糊)。

以是这时候AI算法就可以协同举行“分类打标”,然则手艺侧能把海量的视频举行准确分类打标,也是行业常见的一个难题点。

而且分类不仅仅是一级分类,还要尽可能做到更细粒度的分类,即多级分类,如影戏、影戏_纪录片、影戏_纪录片_人物传记。分类是否科学、标签是否准确,都极具磨练。

举个例子,依旧以科比视频而言:左侧为科技的纪录片视频,右侧是关于科比体育比赛视频,自己都带有体育、科比、竞技性子内容,但两者却属于差别的视频种别,这对AI而言,需要确立周全和准确的分类标签系统,这就需要大量的AI手艺做支持。

4.3.1.3 地域识别

基于地理位置增添内容分发曝光的机率,是当前各大内容产物基本都市接纳手段。从微信的视频公布及直播中支持“添加位置”以及同城视频分发的功效,就可见其主要性。

那么如果当前内容没有符号地理位置信息,又该若何去识别内容对应的地域属性?差别的内容形态,接纳差别的方式。

像图文资讯(类似民众号推文),则可从文本中切割要害词举行地域信息提取,以及加工处置组合成结构化的地域属性。而视频内容也是类似,只是由于图片算法检测,需先通过OCR识别或各种物品识别提取文本数据,继而举行响应的地域属性识别。

5. 总结

以上就是连系当前内容推荐营业和微信的内容生态状态,作出了AI所能应用实践的探索研究。但文中提及的应用实践也许只是冰山一角,究竟整个生态服务十分之重大,能够做到各种的精细化服务是历久的事情。

此外,关于微信在这方面的内容推荐实践上,未来依旧另有不少事情需要落地:

  1. 微信的内容推荐营业还处于起步阶段,尤其是视频推荐,未来的质量和效果体验将会有较大的提升,而AI在其中的实践也将有较大的空间举行施展;
  2. 整体而言,微信已经搭建了基本的内容推荐服务产物系统,然则在功效完整上,当前照样对照制止。尤其是新推出的视频号、直播,对比同类型竞品,所能实现的能力照样偏少。但个人以为微信更多在探索属于自己特征的内容生长偏向,无意成为另一个通例的推荐系统、直播系统;
  3. 当前微信的内容推荐营业更多的只是施展流量分发作用,即引入外部内容源到微信生态中举行消费,现实还缺少了尺度统一的“内容生产”环节。一个内容产物服务除了推荐侧做得足够好,在内容源也是至关主要,以是在构建自身的内容库方面,微信另有很长的路要走;
  4. 内容本质上依赖创作者的输出,即PGC和UGC的共生,然则基于内容账户系统的确立,尚未形成聚集账号、内容于一体的账户品级服务系统。同时“原创”作品在一个平台的价值是十分大的,参考当前各大内容厂商,都在推出创作者设计并扶持各自优质的内容创作者。

最后,若是人人想要对AI手艺有进一步的领会,不妨多关注腾讯云、阿里云、百度大脑及网易等多个平台,在人工智能领域的一些手艺探索。

#专栏作家#

A.D,民众号:吾某,人人都是产物司理专栏作家。大数据剖析产物司理,专注数据挖掘事情。

上一篇 下一篇

猜你喜欢

网友评论

随机文章
热门文章
热评文章
热门标签