Ali soeur REVIEW: Le plus grand défi de la plate-forme d'affaires électroniques est choisie parmi la marchandise de masse de plus en plus (en milliards) d'un petit sous-ensemble (des dizaines ou des centaines) présentés à l'utilisateur, afin de répondre shopping personnalisé de l'utilisateur besoins. Afin de résoudre la recommandation encore répétée, le manque de nouvelles idées et d'autres questions, nous avons proposé la construction des fournisseurs d'électricité à grande échelle carte cognitive.

Aujourd'hui, la recherche Division recommandée carte cognitive d'un résumé complet de l'équipe d'exploration en cours dans la construction de fournisseur d'électricité carte cognitive, la définition met l'accent sur la carte cognitive, la construction d'ensemble des approches, construire des problèmes d'algorithme spécifique dans le processus, et éventuellement Rechercher recommandation sur l'application.

fond

Même au cours des dernières années, la recherche des fournisseurs d'électricité, des algorithmes de recommandation ont fait des progrès considérables, mais ces algorithmes sont encore de nombreux problèmes, tels que la recommandation souvent répétée recommandé a critiqué le manque d'idées nouvelles et ainsi de suite. Essentiellement, cela est parce que les algorithmes existants principalement suivi l'idée de « produit à l'autre » n'est pas entraîné directement des besoins des utilisateurs, et même pas une définition claire des besoins des utilisateurs. D'autre part, nous comprenons les besoins des clients et de répondre est le but ultime de ces algorithmes à atteindre, il y a une barrière naturelle entre les deux.

Afin de briser les barrières, de sorte que la recherche, l'algorithme de recommandation aux besoins mieux cognitifs des utilisateurs, nous avons proposé la construction de grands fournisseurs d'électricité carte cognitive (commerce électronique ConceptNet), les besoins des utilisateurs pour atteindre explicitement les nuds au sol dans le graphique (appelé E-commerce Concept), et associer ces biens et point de la demande dans le domaine des affaires électroniques, catégories, champ électrique externe de la connaissance des affaires générales, de fournir une base de données unifiée pour la connaissance des produits de base, la sensibilisation et les connaissances des utilisateurs et fournit de nouvelles idées d'optimisation et plus de possibilités pour l'algorithme de recommandation en aval de recherche.

Qu'est-ce concept d'e-commerce?

Comme mentionné précédemment, nous serons connus comme « concept e-commerce » demande des utilisateurs: un concept de la demande de produits de base, avec un sens commun, l'intégrité sémantique, l'ordre des mots couramment de l'expression exprimée dans des circonstances normales. Par exemple: « robe », « anti-enfants perdus », « barbecue doit avoir », « bébé au chaud », « robe bohème », « Célébration du Nouvel An » et ainsi de suite. Le concept doit répondre aux principes de base suivants:

L'expression droite ci-dessus sont contraires aux principes fondamentaux du concept de fournisseur d'électricité, de sorte que le processus d'extraction réelle sera toujours filtré. De plus, le concept que nous sont divisés en trois catégories:

• Commercial scène (scénario achats): représente une catégorie de la demande des utilisateurs pour la catégorie non spécifique, un fort sentiment de la scène, comme « enfant anti-perte », « cadeaux Nouvel an chinois » et ainsi de suite. Pan-catégorie (catégorie extensive): représentent une classe de la demande des utilisateurs pour les catégories spécifiques, soit sans modification de la pure catégorie, comme « robe », « fruit », etc., peuvent aussi avoir la propriété catégorie restreinte, comme « point de vague coréenne robe « » enfants raquette de badminton « et ainsi de suite. Concepts généraux (concept général): représente le concept général d'une classe, et peuvent alimenter les fournisseurs de connaissances externes associés à des zones ouvertes, comme le « soleil », « barbecue », « le vieil homme » et ainsi de suite.

concept de commerce électronique vient?

Dans la définition claire et les principes de base, nous avons besoin de creuser beaucoup de concept à couvrir un large éventail de besoins des utilisateurs. À l'heure actuelle, nous pensons que les utilisateurs utilisent des termes de recherche (requête) est entré Taobao Lynx ou de recherche et denrées acheminées vers le (titre) est une société minière concept peut tirer profit de la plus grande source. Notre travail est principalement la phrase que vous voulez rencontrer notre concept des principes ci-dessus, pleine de bruit de la requête, le titre de creuser, cette étape est appelée « Mining Concept ».

Concept minier divisé en deux étapes, la génération d'un candidat (génération de candidat), l'autre est une correction conceptuelle déterminant (Concept Classification). L'ensemble du processus est la suivante:

Dans lequel le candidat de génération est divisée en deux, l'un est utilisé en fonction de la taille de mot AutoPhrase tranches sur les informations de phrase de la phrase, un modèle est un modèle de séquence d'informations de séquence fréquente par extraction minière (motif séquentiel d'aération), la liaison 2 -gram modèle de langage statistique pour obtenir un candidat concept. Après avoir obtenu le candidat, nous utiliserons un modèle discriminante pour fusionner le plongement du modèle de langage, avant que le concept de l'information de séquence, ainsi que le suffixe de règles, les statistiques de pv et d'autres caractéristiques, afin de déterminer si le concept est conforme aux exigences.

Génération de candidat

Nous avons d'abord modèle extrait par l'extracteur du concept classique du modèle et les poids positifs et négatifs sont calculées, le modèle, combiné à un modèle de langage statistique dans les trois fenêtres, la taille du candidat, le candidat de la dernière génération essentiellement en ligne avec l'ordre des mots, pour répondre au sens commun de base.

Concept Classification

Alors que nous avons combiné avec quelques règles simples pour l'extraction de caractéristiques, d'autre part, l'utilisation de la séquence de formation existante et caractéristiques large modèle profond, pour juger du caractère raisonnable du concept. Dans le traitement initial des données, puisque la plupart de notre concept est un texte court, et la plupart des séquences de requête et le titre qui ne répondent pas à l'ordre normal des mots, nous utilisons également l'analyse syntaxique infomation long texte d'un candidat pour l'extraction et tronquée, TrainEd modèle de langage Elmo comme base, et modifie l'ordre des mots dans un gramme de la même longueur, les informations de séquence pour donner le meilleur modèle discriminante.

ontologie

Dans une définition claire du concept d'e-commerce et creuser beaucoup de concept, on se demande, concept comme mot (phrase), en plus du nom, il n'y a pas de classement (domaine), il n'y a pas de description (description), il n'y a pas de propriété (attributs), comment est appelé « Atlas » moyenne? Comment une si petite quantité d'informations qu'elle peut jouer un rôle dans les applications en aval? concept à nuds devenir dans le graphique, notre vision de ce à la fin est-il?

Pour une meilleure compréhension du concept e-commerce, alors que le motif d'alignement et les connaissances externes, en introduisant plus de connaissances générales, nous définissons un ensemble de corps de fournisseur d'électricité de reconnaissance de motif (sur Ontologie), pour décrire les entités, les attributs et leurs concepts la relation entre les deux. Les entités représentent des exemples spécifiques du monde objectif existe, par exemple, le chanteur Andy Lau comme un exemple spécifique. Le concept représente un concept large du monde objectif, par exemple, fait référence aux étoiles de divertissement en tant que concept. des relations d'attributs du système de classification défini (le schéma), comprenant une définition des entités de classe et des concepts, ainsi que des propriétés physiques et concept spécifique avec la valeur d'attribut. Par exemple, dans le système de classification, les personnages appartenant au chanteur personnages de divertissement Andy Lau propriété chanteur contient la date de naissance et d'autres chefs-d'uvre.

Ici, on se réfère à http: //Schema.org,http: la structure //cnSchema.org décrite dans les choses objectives, la mise en place du fournisseur d'électricité système de classification des connaissances pour cartographier le fond d'un corps de choses comme (chose) est le nud racine. Dans la sous-classe des choses comme, y compris « action », « créations », « actifs », « actifs incorporels », « catégorie », « entité sanitaire », « agence », « People », « lieu » un total de neuf classe. Chaque sous-classe a ses propres sous-classes, chaque sous-classe hérite de tous les attributs et les relations de la classe parente. La configuration spécifique comme indiqué ci-dessous:

Ontologie système de classification, qui met entre parenthèses la catégorie contenu correspondant nom chinois et abréviation

Ici, le noeud central à des choses comme le blanc, est la racine de toutes les classes. Contours des choses comme 9 nuds est une sous-classe directe de la classe des choses. Chaque catégorie a son propre noeud. Dans le dessin, les espèces intangibles, par exemple, catégorie démographique est un enfant nud espèces invisible, le public: animal, public: une partie du corps de type, le public: public basée sur la population: public à base de plantes sont des nuds enfants de la classe. Lorsque l'acquisition de connaissances dans une structure, semi-structurées, données non structurées, la saisie des données conformément au système de classification.

Comme l'objectif final plus tôt, le fournisseur d'électricité carte cognitive est dépeint la demande des utilisateurs, par conséquent, dans le corps, nous définissons une pluralité de classes spécifiques au fournisseur électrique pour modéliser le monde objectif dans un environnement d'affaires électroniques:

• Marque (marque) Catégorie (catégorie): catégorie Catégories est la dernière étape dans la décision d'achat du client concerné, la classification peut être associée à la marque, et peut compléter l'option appropriée à l'achat sur la classification. Des exemples de catégorie dans notre corps est en train de construire un contenu axé sur l'exploitation minière. Public (public): le public est un des acheteurs de produits de correspondance directe ou de la population, le fournisseur d'électricité est une classification de scène très importante. Y compris quatre sous-classes public de classe: Public: Animal, Public: parties du corps, Public: foule, public: plantes. Style (style): Pour une marchandise, il y aura son style unique pour attirer les gens à acheter, le style, la classe décrit principalement. Il comprend six sous-catégories dans les catégories de style: le style littéraire, la musique et le style de danse, odeur de style, le toucher, le style, le style, le goût et le style visuel. Fonction (Fonction): une description spécifique de la fonction des produits, peut positionnement précis des biens, des matières premières et la demande sera directement liée. Comprend quatre sous-catégories dans les catégories fonctionnelles: fonction de beauté, vêtements de fonction, la fonction de soins de santé, fonction à domicile. Matériel (Matériau): Le matériau que l'on appelle, signifie simplement que l'objet semble être ce que la texture. Être décrit par un matériel de matières premières, les marchandises peuvent être plus spécifiques.

Vocabulaire attributs propriétés intrinsèques, tels que « alias », « description » et autres, le lien de vocabulaire Objectif entre le corps, comme l'instance de la classe personne « lieu de naissance » sera lié à une instance d'une autre classe Place. Dans le système de classification du corps, chaque catégorie a ses propres attributs et relations, sous-classe hérite tous les parents des attributs et des relations. Ici, nous classe de catégorie et la classe des choses, par exemple, décrit les propriétés et les relations, en particulier, comme indiqué ci-dessous:

Les choses et la catégorie des relations de propriété &

• Des choses comme: Dans cette catégorie, nous définissons le « Alias », « name » « description », « Image », un total de quatre attributs et relations. « Alias » est en fait un synonyme du mot en cours est une propriété; « Description » est une description des caractéristiques de la transaction en cours, « image » peut être connecté à un autre « objet image », en fait entre deux choses relation, « name » est le nom de la norme actuelle des choses. Catégorie catégories: catégorie de classe est une sous-classe directe de la classe des choses, sera directement héritera de tous les attributs et les relations des choses comme. En même temps, la classe de catégorie contient ses propres propriétés uniques « type de catégorie. »

Le système de classification du bas du corps pour toutes les classes, sous-classes possède ses propres caractéristiques et relations, lorsque le corps est modélisé dans chaque catégorie, nous définissons 140+ attributs et relations.

Au cours de la construction du vocabulaire corps, nous mobilisons pleinement les ressources d'une grande BU de qualité structurelle au sein du groupe, les sources comprennent le ministère de Amoy, Youku, cochon volant, cheval, et Dieu, structurées, données semi-structurées provenant de sources multiples de connaissances la consolidation et l'intégration. Plus précisément, si une structure de données multi-sources en tant que connaissance à partir de différentes sources, y compris l'acquisition et l'intégration du corps et un cas correspondant (ontologies / Enity Matching) et la fusion des connaissances (Knowledge Fusion).

Nous utilisons la fonction à base de texte méthode de correspondance, les données provenant de sources multiples lots ont fusionné. Nous définissons les tâches d'intégration du savoir sont: dans la même catégorie, contiennent le même sens des mots doivent être fusionnés en un seul identifiant, l'un des mots les plus communs comme la clé primaire, d'autres synonymes change comme alias. Tels que le « vieil homme » et « décrépitude » sont synonymes, dans le même identifiant, « name » attribut content « vieil homme », « Alias » contenu de l'attribut est « vieux et inutile. » Sur la base de l'adéquation ,, la vérité découverte et d'autres cohérence des connaissances techniques de la digestion de fusion par détection de collision. Pour les conflits, la méthode de traitement comprend ignoré, évité et la digestion.

méthodes de digestion communes comprennent: Le vote, sur la base de qualité, approche par rapport. Nous utilisons la méthode basée sur la qualité pour attribut à valeur unique pour la digestion. Le tri et l'intégration finale des données structurées, elle a acquis un million d'entités et données Concept.

La nature existe sous forme de texte non structuré, contient beaucoup de relations sémantiques riches, décrit la relation entre le monde objectif que les entités, les concepts et les uns des autres. Par conséquent, la compréhension du texte est aussi devenu une source importante d'information et de concepts entité acquise. Les entités et les concepts comme une carte d'élément clé, sa reconnaissance dans le texte est devenu une importante acquisition de connaissances techniques. La reconnaissance de laquelle l'entité nommée (les NER) des entités mentionnées dans le texte sont divisés et les entités classées catégorie spécifiées peuvent être exploitées à partir de la déclaration de masse. Nous utilisons l'étiquette de type d'annotation basée sur la séquence modèle d'étiquetage surveillance à distance (supervision Distant) contient les événements mentionnés ci-dessus, les fonctions, les objets, le temps, l'espace, la catégorie, le style et bien d'autres catégories.

Jusqu'à présent, nous avons construit un système conçu pour l'ontologie fournisseur d'électricité, et élargi un grand nombre d'entités, les concepts, les propriétés et les relations, il peut être considéré comme un fournisseur d'électricité carte de connaissances communes.

De la connaissance carte carte cognitive

carte cognitive de la structure du corps (Ontologie) décrit ci-dessus, contient une taxonomie plus complète et le schéma correspondant, et l'intégration d'un grand nombre d'entités de fournisseur d'électricité externes, et le concept des relations de propriété, est un fournisseur d'électricité relativement peu élevé carte des connaissances son but est d'exploiter la structure à grande échelle de notre concept e-commerce, nous allons obtenir ces chiffres soient liés au nud de concept, de sorte que « la carte du savoir » vers une véritable « carte cognitive ». Cette étape est appelée Concept Tagging.

Idéalement, nous espérons conception après mot après chaque unités de mots peuvent être liés au vocabulaire du corps vocabulaire afin d'obtenir les connaissances, mais parce que le corps ne peut pas être en mesure de couvrir l'ensemble du vocabulaire concept, ce qui dans le concept que partiellement en mesure de sont liés, les relations de propriété n'est pas complète. D'autre part, les problèmes polysémiques présents dans le corps, le même vocabulaire de différents types, d'où la nécessité de WSD. Le concept est généralement du texte court, le contexte est très limité, le modèle d'étiquetage de séquence classique ne peut pas obtenir des performances importantes, et le système de classification actuel est le corps de l'arbre, il y a un glossaire distribué dans une catégorie sous-classe différente. Par exemple, tapez « Danemark » a le mot « espace Etat » et « Espace Région administrative », qui a également apporté des difficultés à WSD.

Notre objectif est de relier avec précision le concept au vocabulaire du corps de vocabulaire, l'entrée est une liste de concept et l'ontologie, le vocabulaire et la sortie est le type correspondant:

En réponse à ces difficultés, l'organigramme général de l'algorithme est la suivante:

Ici, nous nous concentrerons sur la figure des instructions spécifiques du module:

1) en fonction du maximum avant correspondre préfixe dictionnaire et la correspondance: étant donné un concept, l'algorithme de la taille des particules minimum en utilisant le premier mot, la coupe du concept en mots, puis utilisez l'algorithme de correspondance avant maximale, le concept du mot de gauche à droite après quelques base de données Dictionnaire des mots consécutifs correspondant au corps, si le corps et le mot de type de retour (ID) sur le match.

Dans ce processus, il y a des positions différentes sur le mot correspondant dans le système de classification en vrac, à savoir problème polysémique, ici, nous reviendrons tous les candidats possibles pour le processus ultérieur d'homonymie. Il convient de mentionner que, lorsque nous utilisons le mot table, ne pas utiliser tout le vocabulaire, qui énumèrent et tables IP (célébrités, travail, télévision, cinéma, etc.) est très grande, beaucoup de mots ambigus.

Par exemple, nous allons être un mot IP généralement des mots à haute fréquence très courant, mais dans la plupart des cas n'indique pas une adresse IP. Donc, nous avançons au cours des données correspondant au maximum, en plus de cette section, mais ajoute un match de préfixe du module ne sera pas identifier à la table de préfixe et la marque IP de montres pour correspondre à des personnes, pour améliorer encore la couverture.

2) WSD: différent homonymie classique, concept généralement composé de texte court, les informations de contexte peuvent être fournis est limitée. Nous avons donc choisi une combinaison de modèle d'étiquetage de séquence pour apprendre types de vocabulaire, tels que: « catégorie » « objet » + « style » + et ainsi de suite. En tenant compte des différentes industries, différents types de mots tels que « couture » du mot, dans le « vêtements » dans le domaine, « robe en tricot couture » dans le « style » « mosaïque » de type et dans « L'éclairage Meubles » dans le domaine , la « fonction » « tuyau de raccordement » de type, donc nous avons utilisé pour apprendre les mécanismes d'attention liés au domaine de l'information. modèle étiquetage séquence comme indiqué ci-dessous:

Après marquage de la séquence de sortie de modèle obtenu, puis le résultat final de la détection de l'étiquetage des candidats de mot conformément à la sortie. Nous essayons de suivre la séquence marquée comme caractéristiques, combinées à d'autres caractéristiques du concept, en utilisant le score modèle de classification rang le sens candidat évalué.

3) marquage à grains fins: discuter des problèmes, nous avons mentionné l'existence d'une des catégories lexicales appartenant à différentes sous-classes de la même situation. Habituellement, le modèle d'étiquetage de séquence d'étiquette de seulement une douzaine de catégories, et maintenant notre système de classification de l'ontologie contient des dizaines ou des centaines même de types, le modèle d'étiquetage de la séquence traditionnelle ne peut pas résoudre ce problème. Par conséquent, nous avons besoin de plus d'étiquetage de séquence grains fins plus modèle homonymie.

4) de la présente Qizhang Wen rappelions: Après mot de vocabulaire correspondant sens homonymie, car un concept ontologie existante ne englobe pas tous le vocabulaire, donc nous ne devons pas le marquage identifiant terme, et reconnaît le type correspondant, le corps peut être refondu bibliothèque. Une façon possible est d'utiliser beaucoup de phrases fournisseur d'énergie des champs de texte long pour aligner une séquence d'annotation concept à distance long texte à un rappel à long terme ainsi non identifié.

Le bord de la carte cognitive

la connaissance de la cartographie relation est la clé de la connaissance de la machine peut comprendre. Type de relation est déterminée par le type de tête et de queue nud, le nud peut être un quelconque vocabulaire, concept, une entité de. À l'heure actuelle, nous définissons le type de relation 19, et montre la relation entre tous les noeuds avec triplets. Ces relations sont "is_related_to (corrélation)", "isA (a)", "has_instance (il y a par exemple)", "is_part_of (une partie de)" et autres. Ici nous nous concentrons sur la relation entre les deux plus gros fournisseurs d'électricité Scène Utilisations:

concept isA concept

Exemple: robe bohème robe isA.

La plupart des besoins d'affaires de la demande d'électricité catégorie est cruciale pour les besoins de la catégorie sémantique. isA relation telle que notre concept d'une structure plane à une vue développée partielle de la machine est important de comprendre la sémantique. Typiquement, isA construction de relation comprend deux étapes:

extraction de la relation IsA dans une large corpus de texte, où comprend principalement une mise en correspondance de gabarit (basée sur des modèles), et la relation entre la prédiction isA (distributionnelle) Construction de la représentation du vecteur dans la structure hiérarchique mis en relation isA obtenu dans la première extraction pas à pas, par exemple, de désaccentuation, désambiguïsation, à l'opération de nettoyage et un anneau supplémentaire isA relations de granularité plus fine.

Dans le scénario fournisseur d'électricité en particulier la construction de carte cognitive, la principale difficulté consiste à établir des relations qui isA:

le fournisseur d'électricité est un champs verticaux, en particulier dans un tel Taobao « Seulement vous ne pouvez pas penser, pas acheter Taobao » plate-forme, impliquant une grande variété de catégories, il existe de nombreuses catégories de mots relativement impopulaires mais importantes. fournisseur d'électricité corpus de textes liés rares, mot catégorie dans le corpus total de maintenant très rares, à l'extrait a de grandes difficultés. En réponse à ces difficultés, nous travaillons à la conception d'un algorithme d'optimisation manuelle + processus itératif d'apprentissage actif en permanence, l'espoir d'apporter un soutien fiable pour l'application ultérieure de la compréhension du concept et le raisonnement.

concept is_related_to-article

Dans l'environnement commercial de l'électricité existante, construire is_related_to relation entre les concepts et les marchandises seront confrontés à de nombreux défis: le concept est trop court, l'empilement titre des produits de base, des mots sans rapport, les attributs de mauvais produits, tels que les marchandises ne correspond pas aux graphiques, ce qui peut provoquer des erreurs ou d'un match apporter l'ambiguïté.

En réponse à ces problèmes que nous utilisons le flux global du programme est le suivant: Tout d'abord, en utilisant une correspondance de texte / modèle info / sémantique i2i est le concept avec l'élément (titre, description) correspondant sémantique, sera ensuite notion calibré pour le score de la catégorie, puis après homonymie après que le produit final sera fusionné en fonction des relations entre les concepts. La figure suivante est un modèle d'appariement sémantique profonde schématique:

Agrandir l'image complète

En parlant de cela, le fournisseur d'électricité carte cognitive est également prête à sortir de la grande image:

Comme indiqué plus haut, le modèle cognitif complet comprenant les éléments suivants:

• Concept: Les plus importants besoins des utilisateurs du nud d'expression sémantique. Ontologie: Conception d'un système de classification pour la carte des connaissances des entreprises d'électricité, schéma, en formant une carte cognitive et le concept de connexion final, l'intégration des connaissances externes peut cartographier les données, l'introduction du fournisseur d'électricité est difficile de puiser directement dans la connaissance. Relation: Nous définissons la relation entre une douzaine de catégories utilisées pour décrire la sémantique entre les différents nuds, est la clé pour comprendre la sémantique de la machine. Item: Basé sur un concept de construction de carte à grande échelle, le vocabulaire et la relation, il peut être une compréhension plus précise des produits. Utilisateur: construction de carte basée sur le concept à grande échelle, le vocabulaire et les attributs d'élément, peut être plus bonne compréhension des besoins des utilisateurs, le raisonnement des besoins des utilisateurs.

application

L'application explicite

le fournisseur d'électricité carte cognitive est maintenant rechercher dans Taobao recommander d'autres produits débarqués applications, principalement sous la forme de concept de produit est basé sur le thème en tant que porteur de la carte, comme la maison, vous pouvez aussi comme le flux cascade « achats Encyclopédie »:

détails Baby recommandation scène page:

l'application implicite

Pour le concept au cur des points fournis par le fournisseur d'électricité carte cognitive, tandis que les données relationnelles pour l'algorithme de recherche et de recommandation ajoute de nouvelles structures de granularité de l'information et de l'information, apportera plus d'imagination, nous pouvons mieux répondre à la diversité besoins des utilisateurs.

En même temps, de nombreuses nouvelles applications basées sur la carte cognitive du sujet que nous sommes encore en cours, tels que:

• Expliquer la Connaissance recommandée Graphique Embedding raisonnement recommender

Résumé et perspectives

La construction carte cognitive nécessite beaucoup de ressources, impliquant un large éventail de domaines, la complexité du contenu, l'algorithme ne peut pas faire sans aide, l'ingénierie, l'exploitation, et un grand crowdsourcing / ressources sous-traitance. Cet article résume la plaine juste du point de vue des ingénieurs de l'algorithme pour raconter l'histoire de la construction de carte cognitive, le module est encore beaucoup d'exploration et d'optimisation.

Nous croyons que, afin de mieux répondre aux besoins des utilisateurs cognitifs comme l'objectif des fournisseurs d'électricité cartes cognitives aideront des recommandations axées sur le comportement de recherche, etc. Vers l'ère de manière intelligente basée sur l'intégration comportementale et sémantique cognitive, ce sera la plate-forme pour la stabilité écologique et de plus en plus il avance une base importante.

A propos de nous

division Alibaba Group a recommandé de l'équipe de recherche de carte cognitive, vise à créer le plus grand soutien carte des connaissances des fournisseurs d'électricité chinois du monde, y compris Taobao, Lynx Youku et à l'étranger, y compris le fournisseur toute l'électricité recommandation Ali Groupe et la recherche des affaires, des millions de services tous les jours utilisateurs. Electricité fournisseur de carte « cognitive », à partir des besoins des utilisateurs dans le monde des affaires d'électricité, ne se limite pas aux modèles traditionnels du commerce, mais des relations commerciales, les utilisateurs, les besoins commerciaux et une variété de connaissances de domaine ouvert, la connaissance de grande échelle réseau sémantique .