Dingdong ~ Vous avez été touché par le bien-être! À partir de maintenant, "2020 AI Developer Ten Thousand Conference" 299 billets sont gratuits! Accédez à la page d'inscription [2020 AI Developer Ten Thousand Conference (Online Live Tickets) -IT Training Live-CSDN Academy], cliquez sur "S'inscrire maintenant", utilisez le code de réduction "AIP1410" lors du règlement, le prix deviendra "0" yuan !

En tant que l'une des méthodes de représentation des connaissances les plus importantes à l'ère de l'intelligence artificielle, le graphique des connaissances peut briser l'isolement des données dans différents scénarios et fournir un support de base pour des applications telles que la recherche, la recommandation, la réponse aux questions, l'interprétation et la prise de décision.

Par exemple, le cerveau de Meituan construit une carte des connaissances à très grande échelle dans le domaine de la vie et du divertissement autour de manger, de boire et de jouer des scènes, établissant une gamme complète de liens entre les utilisateurs et les entreprises, et fournissant une compréhension plus approfondie des préférences des utilisateurs et du positionnement de l'entreprise dans des scénarios d'application, qui peuvent fournir De meilleurs services intelligents.

Récemment, le camp de base de technologie AI a invité le Dr Wang Zhongyuan, le chef du centre de PNL AI Lab de Meituan et le chef du centre intelligent de recherche de commentaires du public, Expliquez la conception, la construction et les défis du cerveau Meituan, ainsi que l'application spécifique du cerveau Meituan dans les revues Meituan.

 Le contenu principal du camp de base de technologie AI est le suivant:

L'importance du graphe des connaissances

Au fil des ans, l'intelligence artificielle change rapidement la vie des gens. Nous pouvons voir que diverses sociétés technologiques ont lancé des produits ou des systèmes d'intelligence artificielle. Par exemple, en 2016, Google a lancé AlphaGo, qui a balayé le monde du Go dès son apparition. Le champion de l'humanité. Un autre exemple est le supermarché sans pilote Amazon Go lancé par Amazon. Les utilisateurs n'ont qu'à télécharger une application, entrer directement dans le supermarché, prendre les marchandises et partir sans faire la queue. Il s'agit d'une nouvelle expérience de vente au détail à l'ère de l'intelligence artificielle. Un autre exemple est le traducteur Skype lancé par l'ancienne société technologique Microsoft, qui peut aider les gens de différents pays et régions à communiquer en temps réel. Un autre exemple est l'assistant intelligent Siri lancé par Apple, la plus grande entreprise technologique au monde, afin que chaque utilisateur qui utilise un téléphone mobile Apple puisse effectuer diverses tâches très facilement. L'émergence de tous ces produits d'intelligence artificielle dépend des progrès rapides dans divers domaines derrière eux, tels que l'apprentissage automatique, la vision par ordinateur, la reconnaissance vocale, le traitement du langage naturel, etc.

En tant que principale plate-forme de commerce électronique pour les services de la vie, Meituan Dianping se déploie également activement dans l'intelligence artificielle. En février de cette année, le Centre PNL du Département de la plateforme d'IA a été officiellement créé. Notre vision est d'utiliser l'intelligence artificielle pour aider tout le monde à mieux manger et vivre une vie meilleure. Le langage est la cristallisation de la sagesse humaine, et le traitement du langage naturel est l'un des problèmes les plus difficiles de l'intelligence artificielle. Son cur est de permettre aux machines de comprendre et d'utiliser le langage comme les humains.

Nous espérons que dans un avenir proche, lorsqu'un utilisateur publiera une critique, la machine pourra lire la critique et comprendre pleinement les émotions de l'utilisateur. Lorsqu'un utilisateur entre sur une page de marchand de Dianping.com, confronté à des dizaines de milliers d'avis d'utilisateurs, nous espérons que la machine pourra rapidement lire ces avis au nom de l'utilisateur et résumer la situation du marchand à titre de référence pour les utilisateurs. À l'avenir, lorsque les utilisateurs auront des besoins décisionnels en matière de restauration et de divertissement, nous pouvons fournir des services d'assistant d'intelligence artificielle pour aider les utilisateurs à prendre des décisions rapides.

Tout cela dépend des deux principaux moteurs techniques de l'intelligence artificielle: Graphique d'apprentissage profond et de connaissances . J'ai fait une comparaison simple de ces deux technologies.

Nous résumons l'apprentissage en profondeur comme un modèle caché, qui est généralement orienté vers une tâche spécifique, comme jouer au go, la reconnaissance de chat, la reconnaissance faciale, la reconnaissance vocale, etc. En général, il nécessite des données de formation massives et est très puissant Dans le même temps, il présente également de nombreuses limites, telles que la difficulté de migration des tâches et la mauvaise interprétabilité.

D'un autre côté, le graphique des connaissances est une autre force motrice majeure de l'intelligence artificielle. Il peut être largement appliqué à différentes tâches. Comparé à l'apprentissage en profondeur, le graphique des connaissances est hautement interprétable, semblable à la pensée humaine.

Nous pouvons utiliser l'exemple ci-dessus pour observer comment la technologie d'apprentissage en profondeur et les humains reconnaissent les chats et quelles sont les différences entre leurs processus.

En 2012, Google X Lab a annoncé l'utilisation de la technologie d'apprentissage en profondeur pour permettre à la machine de reconnaître avec succès le chat dans l'image. Ils utilisent 1000 serveurs, 16000 processeurs, connectés à un cerveau d'intelligence artificielle de 1 milliard de nuds. Le système a lu 10 millions de photos extraites de YouTube et a finalement réussi à déterminer s'il y avait un chat sur cette photo.

Voyons comment les humains le font. Pour un enfant de 3 ans, nous n'avons qu'à lui montrer quelques photos de chats, et il peut reconnaître les chats sur différentes images, et derrière cela se trouve en fait le raisonnement du cerveau pour cette connaissance.

En 2011, Science a publié un article très célèbre intitulé How to Grow a Mind. L'auteur de cet article provient de professeurs tels que MIT, CMU, UC Berkeley, Stanford et d'autres écoles de bétail américaines. Dans cet article, l'une des conclusions les plus importantes est que si notre réflexion peut sortir des données fournies, il doit y avoir une autre source d'information pour compenser la différence.

Quel est le langage de la connaissance ici? Pour les êtres humains, c'est en fait l'éducation scolaire que nous recevons depuis l'enfance, les informations vues dans les journaux et les télévisions, à travers les médias sociaux, et à travers la communication avec les autres, les connaissances accumulées.

Au fil des ans, le monde universitaire et l'industrie ont construit des cartes de connaissances, allant des cartes de connaissances pour l'ensemble du domaine aux cartes de connaissances pour le domaine vertical. En fait, dès la Renaissance, Bacon a proposé que «la connaissance c'est le pouvoir». À l'ère de l'intelligence artificielle d'aujourd'hui, les grandes entreprises technologiques ont même proposé que la carte de la connaissance soit la base de l'intelligence artificielle.

Les sociétés Internet du monde entier élaborent activement des cartes des connaissances . Dès 2010, Microsoft a commencé à créer un graphique de connaissances, notamment Satori et Probase. En 2012, Google a officiellement publié Google Knowledge Graph. Jusqu'à présent, l'échelle de l'ensemble du Google Knowledge Graph est d'environ 70 milliards. À l'heure actuelle, Microsoft et Google ont le plus grand graphique de connaissances générales au monde, Facebook a le plus grand graphique de connaissances sociales au monde, et Alibaba et Amazon ont construit un graphique de connaissance des produits.

Si nous distinguons selon le processus de compréhension humaine et de réponse aux questions, nous pouvons diviser le graphique des connaissances en deux catégories. Prenons un exemple. Si un utilisateur voit une question: "Qui était le président américain lorsque les Angels ont remporté les World Series?" Je pense que tous les utilisateurs peuvent comprendre ce problème, c'est-à-dire lorsque l'équipe des Angels a remporté les World Series. À l'époque, qui était le président des États-Unis?

Il s'agit d'un processus de compréhension des problèmes, les connaissances dont il a besoin sont généralement appelées connaissances de bon sens (connaissances de bon sens). D'un autre côté, je pense que de nombreux internautes ne devraient pas être en mesure de répondre à cette question car cela nécessite une autre connaissance encyclopédique.

Par conséquent, nous divisons le graphique des connaissances en deux catégories, l'une est appelée Graphique de connaissances Common Sense (Graphique de connaissances Common Sense) , Une autre catégorie appelée Encyclopedia Knowledge Graph (Encyclopedia Knowledge Graph) . Il existe une nette différence entre ces deux types de graphiques de connaissances. Pour Common Sense Knowledge Graph, nous exploiterons généralement les connaissances linguistiques entre ces mots; pour Encyclopedia Knowledge Graph, nous nous soucions généralement de ses entités et de ses faits entre ces entités.

Pour le Common Sense Knowledge Graph, en général, les relations qui nous intéressent incluent la relation isA et la relation isPropertyOf. Pour l'Encyclopedia Knowledge Graph, nous prédéfinissons généralement certains prédicats, tels que DayOfbirth, LocateIn, SpouseOf.

Pour le graphique de connaissances Common Sense, il existe généralement une certaine probabilité, mais le graphique de connaissances Encyclopedia est généralement noir ou blanc, donc lors de la construction de ce graphique de connaissances, nous nous soucions de la précision.

Les travaux représentatifs de Common Sense Knowledge Graph incluent WordNet, KnowItAll, NELL et Microsoft Concept Graph. L'Encyclopedia Knowledge Graph comprend Freepase, Yago, Google Knowledge Graph et le "Meituan Brain" en construction.

Dans le cours d'aujourd'hui, je vais vous présenter deux travaux représentatifs, à savoir le Common Sense Knowledge Graph: Probase, et le cerveau Meituan que nous faisons, qui est un Encyclopedia Knowledge Graph.

Graphique des connaissances communes

Microsoft Concept Graph a été officiellement publié en novembre 2016, mais il a été étudié dès 2010 et est un très grand graphique. Il y a des millions de nuds dans ce graphique. Ces nuds ont des concepts, tels que des artistes espagnols, des entités, telles que Picasso, des attributs, Par exemple, anniversaire (anniversaire); verbes (verbe), adjectifs (adjectif), comme Eat, Sweet. Il existe également de très nombreux bords. Le bord le plus important est celui-ci est un bord, comme Picasso, et isPropertyOf. Pour les autres relations, nous l'appellerons collectivement Co-occurrence.

Il s'agit de notre feuille de route de recherche pour le graphique de connaissances Common Sense lors de Microsoft Research Asia. Une fois que nous avons créé le graphe des connaissances Common Sense, il est important de construire différents modèles sur celui-ci. Nous avons proposé certains modèles appelés conceptualisation (modèle de conceptualisation), qui peuvent prendre en charge la similarité des termes, la similitude des textes courts et la détection des modificateurs de tête, et finalement prendre en charge diverses applications, telles que le NER, l'annotation de texte, les annonces, la recommandation de requête, la compréhension du texte.

Qu'est-ce que la compréhension de textes courts exactement? Comment le bon sens est-il utilisé dans la compréhension des textes? Ci-dessous, nous pouvons regarder quelques exemples spécifiques.

Lorsque vous voyez le texte au milieu ci-dessus, je pense que tout le monde peut reconnaître que cela devrait être une date, mais il n'y a aucun moyen pour tout le monde de savoir ce que signifie cette date. Mais si je donne des informations plus contextuelles, comme Picasso et l'espagnol, tout le monde aura un raisonnement de bon sens sur cette date. Nous devinerons que cette date est probablement la date de naissance ou de décès de Picasso, ce qui est du bon sens.

Par exemple, lorsque nous donnons à la Chine et à l'Inde deux entités, notre cerveau fera un raisonnement de bon sens, et nous penserons que ces deux entités décrivent le pays. Si vous donnez une autre entité: le Brésil, alors nous pensons généralement au marché émergent. Si vous ajoutez la Russie, vous pensez généralement aux pays BRIC ou aux cinq pays BRIC. Tout cela est du raisonnement de bon sens.

Comme autre exemple, quand nous verrons ingénieur et pomme, nous ferons des inférences sur pomme et penserons que c'est une entreprise informatique, mais si nous donnons plus d'informations contextuelles, dans cette phrase en raison de l'apparence de manger, je crois que le cerveau de tout le monde Le raisonnement de bon sens sera fait de la même manière, que cette pomme ne représente plus l'entreprise, mais représente le fruit.

Il s'agit donc du modèle de conceptualisation que nous proposons, c'est une représentation explicite. Nous espérons qu'il pourra faire correspondre le texte, en particulier le texte court, à des millions de concepts. Une telle représentation peut être facilement comprise par les utilisateurs et peut être appliquée à différents scénarios.

Dans le PPT sur cette page, nous montrons les résultats de la conceptualisation. Lorsque l'entrée est la poire et la pomme, nous associons cette pomme à un fruit. Cependant, s'il s'agit d'une pomme ipad, nous allons la mapper à l'entreprise, et tout le monde remarque que ce n'est pas le seul résultat, nous serons en fait mappés à un vecteur concept. Quelle est la taille de ce vecteur concept? C'est un vecteur de millions de dimensions, et aussi un vecteur très clairsemé.

Grâce à un tel modèle de conceptualisation, quel type de problèmes de compréhension de texte pouvons-nous résoudre? Nous pouvons regarder un tel exemple. Par exemple, étant donné un texte très court, Python, ce n'est qu'une seule instance, alors nous voudrons le mapper sur au moins deux catégories de concepts, l'un peut être un langage de programmation, l'autre est un serpent. Quand il a un certain contexte, comme un tutoriel Python, alors cette fois Python devrait se référer au langage de programmation. De plus, s'il a d'autres adjectifs et verbes, comme dangereux, alors nous comprendrons Python comme un serpent.

Dans le même temps, s'il existe plusieurs entités dans un texte, telles que DNN Tool, Python, nous voulons être en mesure de détecter quelle entité est la plus importante dans ce texte et quelle entité est utilisée pour la restriction.

Ci-dessous, je présenterai brièvement comment le faire. Lorsque nous recherchons une seule instance dans Google, ce panneau de connaissances apparaît généralement à droite. Pour une instance telle que Microsoft, nous pouvons voir le concept encadré par cette boîte rouge. Microsoft pointe vers la société de technologie. Comment cela se fait-il?

Nous pouvons voir que Microsoft pointe en fait vers de très nombreux concepts, tels que société, société de logiciels, leader technologique, etc. À quel concept la mappons-nous le mieux?

Si nous l'associons au concept d'entreprise, c'est évidemment vrai, mais nous n'avons aucun moyen de distinguer Microsoft des autres types de produits tels que KFC et BMW. D'un autre côté, si nous mappons Microsoft au plus grand fournisseur d'OS de bureau, alors c'est un concept très spécifique, qui n'est pas très bon, pourquoi? Parce que ce concept est trop spécifique et trop détaillé, il ne peut contenir qu'une entité comme Microsoft, il perd donc la capacité abstraite du concept.

Nous voulons donc faire correspondre Microsoft à un concept qui n'est ni très général (abstrait) ni très spécifique (concret). En linguistique, nous appelons ce mappage niveau de base, et nous nommons l'ensemble du processus de mappage conceptualisation de niveau basique.

Nous avons proposé une méthode de calcul de la conceptualisation de niveau basique, qui est en fait très simple mais très efficace. C'est pour faire une fusion des deux typologies, et en même temps nous avons également prouvé quelques associations entre elles et PMI et Commute Time. Et sur un ensemble de données à grande échelle, nous les avons évaluées via Precision et NDCG. Enfin, il est prouvé que la méthode de notation proposée peut obtenir de meilleurs résultats en NDCG et en précision. La chose la plus importante est qu'elle peut théoriquement bien expliquer le niveau de base.

Voyons ce que nous devons faire lorsque l'instance a un certain contexte. Expliquons brièvement l'idée principale derrière cela à travers un exemple.

Par exemple, ipad, apple, où ipad est fondamentalement sans ambiguïté, il sera mappé sur l'appareil et le produit. Mais pour la pomme, elle peut être associée à au moins deux types de concepts, tels que fruit, entreprise. Alors, comment utilisons-nous l'iPad pour lever l'ambiguïté d'Apple?

La méthode est en fait assez intuitive. Nous trouverons des entités telles que l'ipad à travers de nombreuses statistiques, généralement avec la société et le produit. Par exemple, l'ipad peut apparaître avec Samsung ou Google, alors nous constaterons qu'il apparaît souvent avec la marque, la société et le produit. Nous utilisons donc les connaissances nouvellement extraites pour lever l'ambiguïté de la pomme, qui est l'idée principale derrière.

En plus d'un tel contexte général à l'heure actuelle, dans de nombreux cas, ces textes peuvent également contenir de nombreux types spéciaux, tels que le verbe et l'adjectif. Plus précisément, nous espérons que lorsque nous voyons la montre harry potter, nous pouvons savoir que le harry potter est un film, et lorsque nous voyons la lecture de harry potter, nous pouvons savoir que le harry potter est un livre. De même, Harry potter peut également être un nom de personnage ou un nom de jeu.

Voyons donc comment résoudre une telle chose. Quand on voit la montre harry potter, il faut d'abord savoir que le harry potter peut être un livre ou un film. Nous pouvons calculer une probabilité a priori, qui nécessite généralement des statistiques à grande échelle. En même temps, nous devons savoir que watch peut être un substantif, et ce peut aussi être un verbe, et nous devons aussi creuser. Quand watch est un verbe, il est très étroitement lié au film.

Nous allons donc essentiellement faire un raisonnement probabiliste. Dans cet article, nous ferons une décomposition très fine de la probabilité conditionnelle, et finalement nous ferons un calcul de probabilité.

Grâce à la méthode de calcul des probabilités, nous pouvons réellement créer un très, très grand graphe de connaissances hors ligne, puis nous pouvons avoir beaucoup de termes, certains types auxquels ils appartiennent et certains entre différents termes En relation.

Lorsque nous utilisons un très grand graphique de connaissances hors ligne pour la compréhension du texte, nous pouvons d'abord segmenter le texte. Après la segmentation, nous pouvons en fait extraire l'un de ces très grands graphiques de connaissances hors ligne. Sous-graphique. Enfin, nous avons utilisé le modèle Random walk with restart pour classer un tel sous-graphique en ligne.

Examinons-le à nouveau. Si plusieurs entités sont incluses dans un texte, que devons-nous faire? Nous devons faire de l'exploration des connaissances, comment le faire? Tout d'abord, nous pouvons obtenir un grand nombre de journaux de requêtes, puis nous pouvons également réserver certains modèles. Grâce à la définition de ce modèle, nous pouvons extraire de nombreuses relations entre la tête et le modificateur entre les entités, puis dans la suivante, nous pouvons utiliser ces entités Mappez sur le concept, puis obtenez un modèle.

Dans ce processus, nous devons mapper l'entité au concept, puis c'est la conceptualisation mentionnée précédemment. Nous espérons que la cartographie ultérieure ne pourra pas être trop générale pour éviter des schémas conceptuels contradictoires.

Mais il ne peut pas être trop spécifique, car s'il est trop spécifique, il peut manquer de capacité à s'exprimer. Dans le pire des cas, il peut dégénérer au niveau de l'entité, et l'entité est au moins à l'échelle d'un million, puis l'ensemble des modèles de concept peut devenir le niveau de millions par millions, ce qui n'est évidemment pas disponible.

Nous avons donc utilisé la méthode de conceptualisation de niveau basique présentée précédemment et l'avons mise en correspondance avec un concept qui n'est ni très général ni très spécifique.

Vous pouvez jeter un oeil à certains des modèles de concept Top que nous pouvons creuser, tels que le jeu et la plate-forme, qui est un concept et un modèle. C'est pour quoi? Pour donner un exemple spécifique, lorsque l'utilisateur recherche des oiseaux en colère et ios, nous pouvons savoir que l'utilisateur recherche le jeu Angry Birds, et ios est une plate-forme utilisée pour limiter ce jeu. Apple lancera une nouvelle version d'ios chaque année, donc après avoir creusé un tel modèle de concept, peu importe si Apple sort sur ios 15 ou ios 16, il nous suffit de les mapper à la plate-forme, alors nos modèles de concept sont toujours valides, donc Les connaissances peuvent être facilement étendues.

Par conséquent, Common Sense Knowledge Mining and Conceptualization Modeling peut être utilisé dans de nombreuses applications. Il peut être utilisé pour calculer la similitude de texte court, afin de pouvoir être utilisé pour la classification, le regroupement ou pour la correspondance sémantique, Q / A pour la publicité. système, Chatbot, etc.

Meituan Brain Encyclopedia Knowledge Graph

Après avoir introduit le Common Sense Knowledge Graph, je voudrais présenter l'Encyclopedia Knowledge Graph. Il s'agit du projet de graphe de connaissances de Meituan-Meituan Brain.

Qu'est-ce que le cerveau Meituan? Meituan Brain est l'une des plus grandes cartes de connaissances sur les restaurants et les divertissements au monde que nous construisons. Nous espérons pouvoir exploiter pleinement les données publiques dans divers scénarios commerciaux liés aux avis Meituan. Par exemple, nous avons cumulé 4 milliards d'avis utilisateurs, plus de 100000 balises personnalisées, plus de 30 millions de commerçants et plus de 140 millions de magasins dans le monde. Pour les plats, nous avons également défini 20 niveaux d'analyse des sentiments à grain fin.

Nous espérons pouvoir exploiter pleinement les connexions entre ces éléments, construire un cerveau de connaissances et l'utiliser pour fournir des services plus intelligents.

Permettez-moi donc de présenter brièvement comment le cerveau Meituan est construit . Nous utiliserons une variété de modèles tels que le modèle de langage (modèle de langage statistique), le modèle de sujet (modèle de génération de sujet) et le modèle d'apprentissage profond (modèle d'apprentissage profond), dans l'espoir de pouvoir exploiter les étiquettes des commerçants, les étiquettes des plats et l'analyse des sentiments. et beaucoup plus.

Pour extraire les tags commerciaux, nous devons d'abord laisser la machine lire les avis. Nous avons utilisé des modèles d'apprentissage en profondeur non supervisés et supervisés.

Pour le modèle non supervisé, nous utilisons principalement le LDA, qui se caractérise par un coût relativement faible et aucun besoin d'étiqueter les données. Bien sûr, sa précision sera relativement incontrôlable, mais nous devons toujours procéder à un filtrage manuel des étiquettes extraites. Quant au modèle d'apprentissage profond supervisé, nous utilisons alors le LSTM, qui se caractérise par une quantité relativement importante de données étiquetées.

A travers les labels extraits par ces deux modèles, nous allons ajouter quelques inférences dans le graphe des connaissances, et enfin construire les labels des marchands.

Si le commerçant a beaucoup d'avis sur des sujets tels que les chaises pour bébé, les repas pour bébé, les forfaits pour enfants, etc., nous pouvons dessiner beaucoup de balises sur le marchand. Par exemple, on peut savoir que c'est un restaurant parent-enfant, son environnement est plus chic et son service plus enthousiaste.

Voici comment miner les étiquettes des plats? Nous avons utilisé des modèles Bi-LSTM et CRF. Par exemple, à partir de cette revue, nous pouvons extraire une telle entité, puis grâce à une association avec d'autres sites de recettes, nous pouvons obtenir ses ingrédients, ses méthodes de cuisson, son goût et d'autres informations, afin de pouvoir servir chaque restaurant Une variété d'étiquettes telles que les étiquettes de goût et les étiquettes des aliments ont été découvertes.

Voici une brève introduction à la façon dont nous procédons à l'exploration des sentiments des données de commentaire . Nous utilisons le modèle CNN + LSTM pour l'évaluation de chaque utilisateur, nous pouvons analyser certaines de ses tendances émotionnelles. Dans le même temps, nous effectuons également une analyse fine des sentiments. Nous espérons être en mesure d'analyser les résultats de différentes analyses de sentiments dans différentes dimensions, telles que le transport, l'environnement, la santé, la vaisselle et le goût, grâce à la courte évaluation de l'utilisateur. À l'heure actuelle, ce type d'analyse fine des sentiments n'a pas de bonne solution dans le monde.

Permettez-moi de vous présenter comment notre carte des connaissances est mise en uvre . À l'heure actuelle, le graphique des connaissances de l'industrie a de nombreuses applications matures, telles que la recherche, la recommandation, les robots de réponse aux questions et les assistants intelligents, y compris les appareils portables, la lutte contre la fraude et la prise de décision clinique. Dans le même temps, l'industrie a également beaucoup d'exploration, y compris des modèles commerciaux intelligents, des informations intelligentes sur le marché, des systèmes d'adhésion intelligents, etc.

Comment utiliser le graphe des connaissances pour améliorer notre recherche? Si vous ouvrez le commentaire public maintenant, lorsque vous recherchez un certain plat, comme des écrevisses épicées, en fait, notre machine vous a aidé à lire tous les avis à l'avance, puis à analyser les marchands qui fournissent ce plat, nous utiliserons Résultats de l'analyse des sentiments des utilisateurs pour améliorer le classement des recherches.

De plus, nous l'avons également utilisé dans des recommandations personnalisées dans le quartier des affaires. Lorsque vous ouvrez le commentaire public, si vous êtes situé dans un centre commercial ou un quartier d'affaires, vous pourrez bientôt voir l'entrée de la page de ce centre commercial ou quartier d'affaires. Lorsque les utilisateurs entrent dans les pages de ce centre commercial et des marchands, nous pouvons fournir un tri personnalisé et des recommandations personnalisées pour des milliers de personnes grâce au graphique des connaissances.

Derrière cela, on utilise en fait un modèle d'apprentissage en profondeur des vagues d'eau. Pour une introduction plus détaillée à ce modèle d'apprentissage en profondeur, vous pouvez vous référer à notre article sur CIKM.

En fait, de nombreuses percées technologiques attendent toujours notre solution. Par exemple, la carte des connaissances de l'ensemble du cerveau Meituan est de l'ordre de dizaines de milliards, ce qui est la plus grande carte des connaissances de la restauration et du divertissement au monde. Afin de prendre en charge ce graphe de connaissances, nous devons étudier des centaines de milliards de technologies de stockage de graphes et de moteurs informatiques. Nous construisons également un cluster GPU à très grande échelle pour prendre en charge des algorithmes d'apprentissage en profondeur pour des données massives. À l'avenir, lorsque toutes ces technologies seront prêtes, nous espérons offrir à tous les utilisateurs une expérience de restaurant intelligent et d'assistant intelligent.