優(yōu)酷視頻內容數據天然呈現巨大的網絡結構,各類數據實體連接形成了數十億D點和百億條邊的數據量,面對巨大的數據量,傳統(tǒng)關系型數據庫往往難以處理和管理,圖數據結構更加貼合優(yōu)酷的業(yè)務場景,圖組織使用包括D點和邊及豐富屬性圖來展現,隨著年輕化互動數據和內容數據結合,在更新場景形成單類型D點達到日更新上億的消息量。本文將分享阿里文娛開發(fā)專家遨翔、玄甫在視頻內容實時更新上的實踐,從圖譜化的全新視角,重新組織內容數據的更新,詮釋圖譜化在業(yè)務更新場景的應用。
搜索推薦系統(tǒng)作為在線服務,為滿足在線查詢性能要求,需要將預查詢的數據構建為索引數據,推送到異構儲存介質中提供在線查詢。這個階段主要通過 Offline/Nearline 把實時實體、離線預處理、算法加工數據進行處理更新。這里包含了算法對這些數據離線和在線的處理,不同業(yè)務域之間終數據合并(召回、排序、相關性等)。在平臺能力方面采用傳統(tǒng)的數倉模式即圍繞有共性資源、有共性能力方面建設,形成分層策略,將面向業(yè)務上層的數據d立出來,而這種模式在實現業(yè)務敏捷迭代、知識化、服務化特征方面已不能很好滿足需求。
通過使用仿真和量化指標,使基準測試能夠通用于許多操作領域,但又足夠具體,能夠提供系統(tǒng)的有關信息
優(yōu)酷智能檔突破“傳統(tǒng)自適應碼率算法”的局限,解決視頻觀看體驗中高清和流暢的矛盾
姚霆指出,當前的多模態(tài)技術還是屬于狹隘的單任務學習,整個訓練和測試的過程都是在封閉和靜態(tài)的環(huán)境下進行,這就和真實世界中開放動態(tài)的應用場景存在一定的差異性
Tube Feature Aggregation Network(TFAN)新方法,即利用時序信息來輔助當前幀的遮擋行人檢測,目前該方法已在 Caltech 和 NightOwls 兩個數據集取得了業(yè)界領先的準確率
根據各種指法的具體特點,對時頻網格圖、時域網格圖、頻域網格圖劃分出若干個不同的計算區(qū)域,并以每個計算區(qū)域的均值與標準差作為指法自動識別的特征使用,用于基于機器學習方法的指法自動識別
新加坡國立大學NExT中心的王翔博士分析了知識圖譜在個性化推薦領域的應用背景,并詳細介紹了課題組在個性化推薦中的相關研究技術和進展,包括基于路徑、基于表征學習、基于圖神經網絡等知識圖譜在推薦系統(tǒng)中的融合技術
新一代移動端深度學習推理框架TNN,通過底層技術優(yōu)化實現在多個不同平臺的輕量部署落地,性能優(yōu)異、簡單易用。騰訊方面稱,基于TNN,開發(fā)者能夠輕松將深度學習算法移植到手機端高效的執(zhí)行,開發(fā)出人工智能 App,真正將 AI 帶到指尖
達摩院金榕教授介紹了語音、自然語言處理、計算機視覺三大核心AI技術的關鍵進展,并就AI技術在在實際應用中的關鍵挑戰(zhàn),以及達摩院應對挑戰(zhàn)的創(chuàng)新實踐進行了解讀
2020年5月底OpenAI發(fā)布了有史以來最強的NLP預訓練模型GPT-3,最大的GPT-3模型參數達到了1750億個參數
解決了傳統(tǒng)圖卷積神經網絡中圖節(jié)點學習到的特征對圖分辨率和連接關系敏感的問題,可以實現在低分辨率的三維形狀上學習特征,在高低分辨率形狀之上進行測試,并且保持不同分辨率特征的一致性
外賣履約時間預估模型,預估的是從用戶下單開始到騎手將餐品送達用戶手中所花的時間
記憶增強的圖神經網絡對短期的商品語境信息建模,并使用共享的記憶網絡來捕捉商品之間的長期依賴,對多個模型進行了對比,在Top-K序列推薦中效果極佳