優(yōu)酷視頻內(nèi)容數(shù)據(jù)天然呈現(xiàn)巨大的網(wǎng)絡(luò)結(jié)構(gòu)，各類數(shù)據(jù)實(shí)體連接形成了數(shù)十億頂點(diǎn)和百億條邊的數(shù)據(jù)量，面對(duì)巨大的數(shù)據(jù)量，傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)往往難以處理和管理，圖數(shù)據(jù)結(jié)構(gòu)更加貼合優(yōu)酷的業(yè)務(wù)場(chǎng)景，圖組織使用包括頂點(diǎn)和邊及豐富屬性圖來(lái)展現(xiàn)，隨著年輕化互動(dòng)數(shù)據(jù)和內(nèi)容數(shù)據(jù)結(jié)合，在更新場(chǎng)景形成單類型頂點(diǎn)達(dá)到日更新上億的消息量。本文將分享阿里文娛開(kāi)發(fā)專家遨翔、玄甫在視頻內(nèi)容實(shí)時(shí)更新上的實(shí)踐，從圖譜化的全新視角，重新組織內(nèi)容數(shù)據(jù)的更新，詮釋圖譜化在業(yè)務(wù)更新場(chǎng)景的應(yīng)用。
搜索推薦系統(tǒng)作為在線服務(wù)，為滿足在線查詢性能要求，需要將預(yù)查詢的數(shù)據(jù)構(gòu)建為索引數(shù)據(jù)，推送到異構(gòu)儲(chǔ)存介質(zhì)中提供在線查詢。這個(gè)階段主要通過(guò) Offline/Nearline 把實(shí)時(shí)實(shí)體、離線預(yù)處理、算法加工數(shù)據(jù)進(jìn)行處理更新。這里包含了算法對(duì)這些數(shù)據(jù)離線和在線的處理，不同業(yè)務(wù)域之間終數(shù)據(jù)合并（召回、排序、相關(guān)性等）。在平臺(tái)能力方面采用傳統(tǒng)的數(shù)倉(cāng)模式即圍繞有共性資源、有共性能力方面建設(shè)，形成分層策略，將面向業(yè)務(wù)上層的數(shù)據(jù)d立出來(lái)，而這種模式在實(shí)現(xiàn)業(yè)務(wù)敏捷迭代、知識(shí)化、服務(wù)化特征方面已不能很好滿足需求。
通過(guò)使用仿真和量化指標(biāo)，使基準(zhǔn)測(cè)試能夠通用于許多操作領(lǐng)域，但又足夠具體，能夠提供系統(tǒng)的有關(guān)信息
優(yōu)酷智能檔突破“傳統(tǒng)自適應(yīng)碼率算法”的局限，解決視頻觀看體驗(yàn)中高清和流暢的矛盾
姚霆指出，當(dāng)前的多模態(tài)技術(shù)還是屬于狹隘的單任務(wù)學(xué)習(xí)，整個(gè)訓(xùn)練和測(cè)試的過(guò)程都是在封閉和靜態(tài)的環(huán)境下進(jìn)行，這就和真實(shí)世界中開(kāi)放動(dòng)態(tài)的應(yīng)用場(chǎng)景存在一定的差異性
Tube Feature Aggregation Network（TFAN）新方法，即利用時(shí)序信息來(lái)輔助當(dāng)前幀的遮擋行人檢測(cè)，目前該方法已在 Caltech 和 NightOwls 兩個(gè)數(shù)據(jù)集取得了業(yè)界領(lǐng)先的準(zhǔn)確率
根據(jù)各種指法的具體特點(diǎn),對(duì)時(shí)頻網(wǎng)格圖、時(shí)域網(wǎng)格圖、頻域網(wǎng)格圖劃分出若干個(gè)不同的計(jì)算區(qū)域,并以每個(gè)計(jì)算區(qū)域的均值與標(biāo)準(zhǔn)差作為指法自動(dòng)識(shí)別的特征使用，用于基于機(jī)器學(xué)習(xí)方法的指法自動(dòng)識(shí)別
新加坡國(guó)立大學(xué)NExT中心的王翔博士分析了知識(shí)圖譜在個(gè)性化推薦領(lǐng)域的應(yīng)用背景，并詳細(xì)介紹了課題組在個(gè)性化推薦中的相關(guān)研究技術(shù)和進(jìn)展，包括基于路徑、基于表征學(xué)習(xí)、基于圖神經(jīng)網(wǎng)絡(luò)等知識(shí)圖譜在推薦系統(tǒng)中的融合技術(shù)
新一代移動(dòng)端深度學(xué)習(xí)推理框架TNN，通過(guò)底層技術(shù)優(yōu)化實(shí)現(xiàn)在多個(gè)不同平臺(tái)的輕量部署落地，性能優(yōu)異、簡(jiǎn)單易用。騰訊方面稱，基于TNN，開(kāi)發(fā)者能夠輕松將深度學(xué)習(xí)算法移植到手機(jī)端高效的執(zhí)行，開(kāi)發(fā)出人工智能 App，真正將 AI 帶到指尖
達(dá)摩院金榕教授介紹了語(yǔ)音、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)三大核心AI技術(shù)的關(guān)鍵進(jìn)展，并就AI技術(shù)在在實(shí)際應(yīng)用中的關(guān)鍵挑戰(zhàn)，以及達(dá)摩院應(yīng)對(duì)挑戰(zhàn)的創(chuàng)新實(shí)踐進(jìn)行了解讀
2020年5月底OpenAI發(fā)布了有史以來(lái)最強(qiáng)的NLP預(yù)訓(xùn)練模型GPT-3，最大的GPT-3模型參數(shù)達(dá)到了1750億個(gè)參數(shù)
解決了傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)中圖節(jié)點(diǎn)學(xué)習(xí)到的特征對(duì)圖分辨率和連接關(guān)系敏感的問(wèn)題，可以實(shí)現(xiàn)在低分辨率的三維形狀上學(xué)習(xí)特征，在高低分辨率形狀之上進(jìn)行測(cè)試，并且保持不同分辨率特征的一致性
外賣履約時(shí)間預(yù)估模型，預(yù)估的是從用戶下單開(kāi)始到騎手將餐品送達(dá)用戶手中所花的時(shí)間
記憶增強(qiáng)的圖神經(jīng)網(wǎng)絡(luò)對(duì)短期的商品語(yǔ)境信息建模，并使用共享的記憶網(wǎng)絡(luò)來(lái)捕捉商品之間的長(zhǎng)期依賴，對(duì)多個(gè)模型進(jìn)行了對(duì)比,在Top-K序列推薦中效果極佳
