主页 > 业界动态 > 用AI削弱跟单不确定性,深挖超兔CRM背后算法

用AI削弱跟单不确定性,深挖超兔CRM背后算法

9.86K
业界动态 未知 2020-07-30
信息论创始人克劳德·艾尔伍德·香农提出,信息是对不确定性的削弱。香农开创了用数学描述信息的先河,让信息变得可测。
香农提出的信息熵成为如今机器学习的一大理论基础。
超兔CRM一直致力于研究用AI打单,本质上是用机器学习处理信息,通过算法解析数据,最终帮助销售消除跟单过程中的不确定性。下面,与您分享一下超兔CRM正在使用的算法。纯干货!两大主题:1.LSTM 详解;2.传统机器学习与深度学习对比。

LSTM 详解

1.RNN(循环神经网络):在介绍LSTM之前,先介绍RNN
  1. 普通神经网络:
preview
图为:神经网络的结构图
神经网络可以当做是能够拟合任意函数的黑盒子,只要训练数据足够,给定特定的x,就能得到希望的y。
举一个情感分析的例子,输入一句话,判断这句话的的情感是正向的还是负向的。
其中x就是输入层,如上图有3个输入,比如为 “我”,“喜欢”,“你”。经过隐藏层的计算,输出两个值:正向的概率和负向的概率。(在XTool中的客户意向,会设置三个输出)。
那么既然普通的神经网络(如上)已经可以完成意向判断的功能,为什么还要循环神经网络呢?
他们都只能单独的去处理一个个的输入,前一个输入和后一个输入是完全没有关系的。但是,某些任务需要能够更好的处理序列的信息,即前面的输入和后面的输入是有关系的。
比如,当我们在理解一句话意思时,孤立的理解这句话的每个词是不够的,我们需要处理这些词连接起来的整个序列
所以为了解决一些这样类似的问题,能够更好的处理序列的信息,就有了RNN:
  1. 循环神经网络:

  图为:循环神经网络结构图
但看上图左边部分可能有点晕,右边为左边按序列展开的样式:
还拿上边情感分析为例:
以此往后推。
这样当输入完这句话时,最后的结果会把整个句子的信息都带上。
但是这样还不完美,为什么呢?上边的举的例子“我”,“喜欢”,“你”只有三个词,但在实际运用中一句话可能会很长,几十个词。
如果把每个词的信息都记录下来,数据会很大,而且最前边的词对最后边的词的意思可能也没影响。还有就是从算法上,返向求导时,可能会造成梯度消失或梯度爆炸。
这里简单介绍一下梯度问题:机器学习都是靠梯度来找最优模型的,剃度越小,模型越好。
为什么梯度会消失或爆炸呢,如果一句话很长,系数很小的话(比如0.002),一直相乘,会越来越接近0,最后消失,如果系数很大,一直相乘结果会越来越大,造成梯度爆炸。
2.LSTM:
图为:长短期记忆网
从上图和RNN对比发现,每个隐藏层内又做了许多的运算
1)第1个运算为忘记门:
就是决定什么信息应该被神经元遗忘。它会输出 “0”或“1”,“1”表示“完全保留这个”,“0”表示“完全遗忘这个”。
2)第2个就是输入门
就是决定我们要在神经元细胞中保存什么信息
3)然后就是输出门
决定哪一部分的神经元状态需要被输出
3.LSTM在思想上是与RNN相通的,不同之处都在算法上。

传统机器学习与深度学习对比

一、理论对比:
首先,深度学习是机器学习的一种
  1. 数据:
    1. 随着数据的增加,相比机器学习深度学习的性能会越来越好。
    2. 深度学习不需要对数据处理,会自动学习提取特征,而机器学习需要先对数据进行 格式转化,数据清洗,压缩纬度等操作。
  2. 规则:
    1. 具有特定规则的数据,使用机器学习比较好。一些简单的场景没必要使用深度学习
  3. 硬件
    1. 深度学习需要进行大量的矩阵计算,对硬件要求比较高。
  4. 执行时间
    1. 深度学习训练模型需要的时间较长。
二、实践对比:
分别使用贝叶斯算法及深度学习算法进行文本分类预测:
D707ECE3C04DBD4D9AC8BB534F98F095
图为:神经网络与贝叶斯算法对意向分析对比图
实例1:
从结果可以看出,不同的数据顺序,预测的结果会不同。
实例2:
结果可以看出,神经网络对消极的判断的概率更高一些。
实例3:
结果可以看出,神经网络对积极的判断的概率更高一些。
如上,“LSTM 详解”“传统机器学习与深度学习对比”,非专业人士理解起来或许还有一定难度。不过,各位老板与管理者不用着急,以上纯干货理论知识,超兔已经将理论逐步落地实践,成为超兔CRM系统中的一部分功能,有「AI潜客意向判断」、「猛犸微助」,好功能持续开发中。

TAG

热点