【51CTO.com原创稿件】WOT2018全球运维与技术峰会刚刚落下帷幕，在为期两天的会议中，十二个分论坛的四十余位讲师进行了精彩的内容分享，其中，在“人工智能技术探索”分论坛，四位讲师围绕个性化Push、人工智能落地、短视频加速、O2O智能化等方面展开演讲，从趋势到应用，从理论到实践，干货满满的内容也让与会嘉宾对人工智能技术有了更深层次的理解。
新浪微博技术专家齐彦杰 ：《机器学习技术在微博个性化Push应用》
纵观当下，互联网经历了爆炸式的增长，人们逐渐从信息匮乏时代过渡到了信息过载时代，无论作为想获取信息的普通用户，还是作为产生信息的内容提供商，都面临着新的挑战。作为普通用户，他们希望有一种从海量信息中方便实时快速地获取有用的信息的方式，而作为内容或产品提供商，他们希望把自己的信息及时准确地传播给希望接收这些信息的目标群体，基于此，Push业务应运而生。
根据分析不同用户的兴趣诉求，当前的微博Push种类分为五种，分别是热点Push、个性化Push、关系Push、区域Push和直播Push。这些不同的Push业务于平台而言是一个高效的内容分发系统，于个人而言则是一个足够聪明的私人秘书，能够帮助用户筛选出最感兴趣的内容。
接下来重点讲解个性化Push场景和机制的问题。根据微博用户分析可以看出用户的兴趣十分广泛，因此涉及到的内容较多，如何在短时间内为用户找到感兴趣的内容，这就是个性化Push要解决的问题。基于这个诉求，微博需要构建一个推荐系统，对微博来说，这个推荐系统要从全量原创博文中选出用户喜欢的内容，而选出过程分为机器筛选和人工筛选两种，再通过算法匹配博文和用户，最终在各push类型间择优下发，完成已读、已发过滤，时间间隔定制等，实现分发控制，在这个过程中，博文质量、算法模型与分发效率共同决定push效果。
那么，机器学习技术如何应用在个性化Push中？在整体架构中，基础数据是微博信息、用户信息、基础信息和行为信息，利用这些基础数据在上层挖掘出博文标签、亲密度等具象特征工程，利用特征进行模型训练和评估，得出排序模型和物料模型。在有了这个模型之后，再把这个模型运用到线上做排序策略、CTR预估。***线上数据传导回到基础数据部分，供下一次模型训练迭代，这样形成了一个完整的闭环模式。
为了控制劣质物料的下发范围，微博在Push上也采取了一定的方案，首先是Boost Push，引入实时反馈特征，并保障实时特征的置信度，控制单物料的计算范围，快速淘汰低质物料、下发高热物料，这样的Push方式更为实时可靠。还有就是协同过滤，通过引入基于Item,User协同过滤,打开效果提升明显，并扩大业务场景内的行为时间窗口，引入其他场景下的用户行为。***则是及时推，基于历史互动、亲密关系行为及时推送，高热物料及时下发，通过这样的方式，微博的Push质量得到了很大的提升。
贝壳找房高级经理孙林 ：《人工智能技术在贝壳找房业务中的应用》
贝壳找房眼下风头正盛，作为链家转型开发的全新品牌，贝壳找房定位于“技术驱动的品质居住服务平台”，既然是“技术驱动”，贝壳找房高级经理孙林也详细介绍了人工智能技术在贝壳找房业务中的应用，即为什么要在贝壳中落地AI、贝壳中的AI落地成果、贝壳中的AI实践以及AI+贝壳的未来。
前两方面很好理解，链家线下的房源、门店和经纪人都会进入贝壳找房平台，这意味着贝壳在起步之初就拥有了丰富的数据（语音、文本、图片、视频）+合适的场景（潜在客户、找房咨询、转委托、成交售后等），这些满足了AI的落地条件，而落地AI也将为贝壳带来提升效率、节流、控制风险等诸多益处。
那么，贝壳中AI的实践有哪些？先来看下整体架构，可以分为四大块：
·应用——智能助手、智能客服、语音质检、商机发现
·算法——搜索、推荐、问答、对话、语音识别
·挖掘——实施图谱、知识库、三大画像
·数据——结构化数据、非结构化数据
在面对不同需求的时候，也要选取对应的系统，例如找房子用搜索系统，问知识用问答系统、求推荐是推荐系统，安排日程则用task-oriented bot（对话机器人）。而要想把这些问题都很好的解决，智能系统要做的就是在知识全面准确的前提下降低知识和信息的获取门槛，从而提升服务的效率和品质，这就涉及到如何构建知识体系，下图即为知识的生产、组织。运营体系图：
知识系统完备后，要将知识给到用户，这就涉及到构建应用系统，下图即为系统架构图：
***，在展望AI在贝壳的未来时，孙林表示，贝壳找房从去年至今持续在做一些AI的工作，改变整个公司产品的链条，最终能够成为一个AI加注的入口。
美团搜索算法负责人仙云森 ：《O2O服务搜索的智能化》
“eat better live better” 是美团的使命，而落到搜索上则有一个更加具体的要求，就是要连接人与服务，将用户、平台与商家连接起来。
不同的技术方向发挥不同的作用，搜索在美团平台上就扮演着流量分发的角色，O2O即Online To Offline(在线离线/线上到线下)，是指将线下的商务机会与互联网结合，让互联网成为线下交易的平台，在应用时，O2O搜索的特点体现在移动化、个性化、场景化、实时化等方面，O2O搜索智能化的目标一方面是精准需求一键触达，另一方面是优化体验来提升决策效率，想要实现O2O搜索智能化，关键路径在于精准的理解用户意图和智能化的排序算法。
在明晰了O2O搜索的整体概念后，接下来谈谈O2O搜索智能化精准的意图理解，用户意图是意图理解的基础和出发点，分为用户查询和用户意图因素两方面：
1）用户的查询：找商家（全聚德），找周边（五道口），找类目（火锅），找菜品（宫保鸡丁）
2）用户意图的因素：地点（春熙路，shopmall），时间（早/中/晚），天气（雨雪，雾霾）
有了这些因素，可以进一步理解意图在搜索中起到的作用，最终落在商家域召回、GEOHash索引、品类召回、团单\项目召回四个方面。想要做好O2O搜索智能化，在业务识别时要记住一点，那就是用户需求是明确的，快速抓取用户的实时意图。
在演讲中，仙云森对实体识别中的模型方案也进行了概述：
1） 人工标注+CRF做基础模型，产出高精度结果补充标注。
2） 知识库+规则方式产出大量样本。
3） CRF+LSTM作为最终模型，准确率90%，召回75%。
苏宁易购IT总部高级技术架构师高超 ：《基于人工智能技术对短视频加速与监控的实践》
苏宁易购IT总部高级技术架构师高超的演讲内容涉及短视频机器审核、短视频加速智能调度和AI技术上的前景和困惑。短视频是目前苏宁视频云的五大运营内容之一（直播、点播、短视频、网页加速、视频通话），PP云的快速发展，导致大量涉黄视频和版权问题视频频现，而在未接入人工智能之前，普通的人工审核难免出现审查不严等问题，而另一个较为突出的则是版权问题，基于此，PP云决定引入人工智能机器审核的概念。
在应用人工智能审核之前，高超的团队做了三个步骤的划分：
·人工智能模型建立（卷积神经网络/深度学习）：即人工智能开源框架的调研，在调研试验后，团队发现效果***的是卷积神经网络，而深度学习应用效果相对较差。
·业务系统整合（机器审核/人工审核）: 在模型测试、训练完成后，做分布式服务，再集成到业务系统中。
·评估预测结果（人工过滤/数据反馈）：模式是不断处于调优中的，针对某些智能审核结果出现的偏差进行重新评估、调优，数据反馈之后再次审核，保证结果正确。
（图为机器审核工作流示意图）
而短视频加速智能调度的演化也可分为调度预测模型（业务数据/业务策略）、业务系统整合（决策结果/人工审核）和决策执行（模型评估/策略调整）三大过程。
（图为短视频加速智能调度工作流示意图）
在苏宁云短视频加速智能调度的实践中，调度预测的来源分为三个方面，***方面是全网监测数据，包含自建CDN（较好控制，可做深度调度）；第二方面是基调网络数据，这一数据主要来源于采购，例如商业数据；第三方面是业务预置策略，要考虑质量和成本，通过这三方面汇集数据进行调度预测后，最终产生业务决策。
谈到AI技术未来场景的应用，高超表示，人工智能在追求商品成交率、用户页面成交率方面协调团队，而在视频智能分类、内容智能感知等方面，人工智能也能发挥更大的效用。
近两年人工智能技术呈现井喷式的发展，正在逐步改变甚至颠覆了很多行业，来自不同领域的四位讲师结合落地经验的分享想必能够为您提供新的思路与灵感，以上即为WOT2018全球软件与运维技术峰会“人工智能技术探索”分论坛四位讲师演讲的重点内容，更多关于WOT的内容请关注51cto.com。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
