Eine universelle Plattform zur Schaffung von Marktplätzen, die für völlig unterschiedliche Geschäftsprojekte von Lebensmittelgeschäften bis hin zu Rekrutierungsdiensten geeignet ist, muss ständig verbessert werden, da die steigenden Anforderungen an Online-Dienste bereits heute die Arbeit künstlicher Intelligenz erfordern. Die Zufriedenheit des Kunden mit den Suchergebnissen und damit der Erfolg des Unternehmens hängt von der korrekten Einrichtung der KI-Systeme ab.
Als Beispiel können wir die in Suchmaschinen verwendete kontextbezogene Suche verwenden. Jede Suchmaschine versucht, die Konkurrenz zu gewinnen und die Suchqualität zu verbessern, aber in einer sich schnell verändernden Welt kann sich die Bedeutung verbaler Ausdrücke erheblich ändern. Wenn Sie beispielsweise das Wort "Feed" anfordern, hat die Suchmaschine zuvor das Ergebnis "Satinband" angeboten, während in den Suchergebnissen jetzt Informationen zu einer Filialkette und einem Informationsportal angezeigt werden. Künstliche Intelligenz hilft jedoch bei der Ausgabe von Ergebnissen, was dazu beiträgt, die Ergebnisse in Rekordzeit zu korrigieren.
Angenommen, ein Textstück definiert das Wort "Band" als Teil eines hübschen Pakets. Der Einfachheit halber klassifizieren wir alle Bedeutungen dieses Wortes ohne Klärung, zum Beispiel aufgrund ultrapräziser Netzwerke - Convolutional Neural Networks (CNN). Diese CNN-Architektur verwendet das sogenannte Ensemble ultrapräziser und wiederkehrender Netzwerke und gibt am Ausgang eine relevante Definition des Wortes "Band" basierend auf dem semantischen Inhalt des Textes. Die Eingabedaten sind eine Matrix mit einer festen Höhe n. Darüber hinaus ist jede Zeile eine Vektorabbildung des Bezeichners, dh Wörter im Merkmalsraum der Dimension k... Um einen Feature-Space zu erstellen, können Sie bequem die Tools für die Verteilungssemantik FastText, Glove, Word2mVec verwenden. Die Matrix wird von Filtern mit einer festen Breite verarbeitet, die der Dimension des Merkmalsraums entsprechen. Zur Auswahl ihrer Größe wird der Parameter der Höhe benachbarter Reihen h ausgewählt . Dementsprechend hängt die Größe der Ausgabematrix von der Höhe des Filters und der ursprünglichen Matrix ab. Nach dieser Phase wird die Merkmalskarte von einer Unterabtastschicht verarbeitet, wodurch die Dimension der erzeugten Merkmalskarte verringert wird, und jeder Faltung zugewiesen, und dominante Informationen werden extrahiert. Anschließend werden Feature-Maps zu einem Feature-Vektor kombiniert, der in die Berechnung der endgültigen Klassenbezeichnungen einbezogen wird.
, , , . , . CBOW, , . : softmax – , , . , k . (2k+1). .
skip-gram, , , .
, . , , – , , , – . : -, -. – , .
, – , , , 5 .
-
. , , , , .
, 45 , , , . , , . «», , , , , .
. , . , . . , . «» . . Negative Sampling. «» :
, , :
.
– .
. .
Eine ausgewogene Kombination von Ranking-Algorithmen verbessert die Qualität des gesamten Systems. Wir dürfen die Ausnahmen jedoch nicht vergessen, da das Ranking-System von Google festgestellt hat, dass die Suchmaschine noch nicht bereit ist, das Ranking endgültig Algorithmen für maschinelles Lernen anzuvertrauen. Automatisch generierte Modelle können sich bei neuen Klassen von Abfragen unvorhersehbar verhalten, die im Vergleich zu Modellen, die von menschlichen Experten erstellt wurden, nicht mit Abfragen aus dem Trainingssatz vergleichbar sind.