2020SACC专场二十二： 人工智能算法与应用实践（下）（PPT下载）

58同城作为国内大的生活信息服务平台，涵盖了本地服务，招聘，房产，二手车多条业务线，不同业务线有多种类型的商业产品。搜索和推荐是用户在58同城上获取信息的两个主要场景，如何在搜索/推荐场景下对不同业务线差异化的商业产品搭建通用算法能力是一项挑战。
本次分享将介绍58同城多业务商业变现场景中的算法应用与实践，主要围绕广告推荐和搜索场景，讲述针对各条业务线差异化的业务场景和多种类型的商业产品（CPC、CPT、CPA），如何搭建通用算法能力，以及前沿技术在广告检索全流程的落地和优化经验，同时分享在平衡用户体验和商业收益上的探索和实践。
分享提纲：
1. 58同城在线广告的业务特点简介：多业务线、流量场景差异大、商业产品类型多；
2. 结合58同城广告业务特点的通用推荐/搜索算法架构设计；
3. 58同城广告推荐/搜索场景核心算法的选型、落地以及优化细节；
分享要点：
首先，简要介绍58同城在线广告场景的业务特性，例如搜索/推荐场景下多业务（招聘、房产、本地生活、二手车）的共性和差异；
然后，分享基于业务共性考量搭建的通用算法架构，以及针对业务差异点进行的差异化的算法能力设计；
后，针对一些核心的算法策略能力点，例如搜索意图识别，用户兴趣相关性计算，搜索相关性优化等，进行深度剖析，分享在算法选型、落地方案设计、优化迭代等方面的心得体会，以及在平衡用户体验和商业收益上的探索和实践。

商业生态与智能发展中心-策略技术团队算法架构师，目前负责58集团在线广告系统核心算法和策略机制的设计与优化， 研究方向包括搜索意图理解，个性化召回，搜索相关性，兴趣相关性，广告排序算法等。

物流行业正在经历剧烈的数字化技术驱动变革，在基础的业务数字化改造之上，采用计算机视觉技术能有效增加对现实世界的实时感知能力、实现多元化数据驱动及效果跟踪。本次分享将介绍在京东物流，如何通过对视觉感知场景定义和业务目标逻辑的分解，使用 CV 技术对生产现场视频及图像进行实时的结构化分析，实时感知人、车、货、场的运行状态，立足自动化、生产规范、调度优化、安全防损几个子课题，终达到降本增效的业务价值。同时也将介绍京东物流在计算机视觉技术大规模应用中如何成本和产出，并围绕成本控制进行的技术尝试。
分享提纲：
1. 举例说明视觉数据和其他业务数据的异同，以及物流行业典型视觉应用场景定义；
2. 介绍京东物流的视觉感知决策网络架构，以及在5G智能园区等项目的落地应用；
3. 基于大规模全面应用目标，京东物流如何应用控制成本并实践新技术。
分享要点：
没有基于业务定义并进行结构化处理和智能化分析的视频图像，无法称为数字化应用。全域性的“云+端”监控网络和计算机视觉技术为京东物流打造了一个性的数字化视觉感知网络；
计算机视觉技术在行业应用落地的关键是技术围绕业务目标展开，需要恰度拆分场景、明确定义单元目标、多模型综合决策，而非简单套用既有技术。
物流场景的多样性和复杂性、以及视频采集设备及数据传输的固有属性，为 CV 技术大规模应用提出非常多的挑战。京东物流采取多种有效措施，保障技术的落地收益：通过既有存量设备的利旧改造降低硬件成本，通过 Auto ML、自动化标注等技术降低新场景覆盖成本，通过“云端边协同”降低远程数据传输成本并提升智能分析效率。

AI行业应用专家，5年AI平台化应用实践经历，10年互联网平台生态管理经验。

2020年为火热的行业当属短视频行业，游戏作为群众基础为广泛的娱乐方式之一，与短视频和直播行业相结合，将会碰撞出怎样的火花？游戏厂商如何做好视频运营工作，打造精彩短视频，吸引人们围观游戏内容，体验游戏魅力？这已成为游戏厂商新的发展机遇和挑战。本次分享介绍 AI 技术在直播与短视频运营领域中的应用，通过 CV 与 NLP 技术理解直播流视频画面内容、主播解说情绪以及观众弹幕评论，进而判定精彩视频的起始点与结束点，终自动剪辑成为系列精彩短视频，投放至各大短视频平台；并在直播过程中实时挖掘观众关注话题，回复观众弹幕，与观众形成良好互动，提升直播观看体验。
分享提纲：
1. 介绍游戏厂商进行直播与短视频运营的商业模式与工作流程；
2. 介绍 AI 技术在视频内容理解、精彩视频挑选、内容二次创作、弹幕挖掘与直播互动等场景中的应用；
3. 总结 AI 技术在业务场景中的价值点与不足之处，并畅想 AI 技术在视频游戏行业的广泛应用。
分享要点：
首先，介绍AI技术在游戏视频运营领域的应用，包含以下三个方面：
1. 游戏直播视频的智能识别与自动化剪辑工作，其中涉及到 CV 领域中的 OCR 技术、人脸检测技术以及目标检测等技术；
2. 采用 NLP 技术挖掘观众弹幕评论内容，帮助主播挑选精彩弹幕，实时挖掘观众关注话题，实现直播期间弹幕上墙的能力，与观众形成良好互动，提升直播观看体验；
3. 通过大数据算法、观众评论情绪识别自动挑选精彩视频片段，结合主播声音与选手表情情绪识别，智能筛选直播视频中的精彩画面，并通过 AI 剪辑为短视频后投放至各大短视频平台。

在线旅游推荐系统主要面临着项目资源差异性大、个别项目资源本异地差异明显、季节性明显、各用户人群需求个性化等问题。针对上述问题，我们基于机器学习的召回排序策略定制了一套完整的推荐系统框架。本次演讲将介绍我们在推荐系统构建过程中遇到的问题及采用的对应解决方法，结合实际的AB效果，帮助大家快速了解并在类似领域搭建属于自己的推荐系统。
分享提纲：
1、推荐系统应用场景
1.1 在线旅游平台各项目资源介绍
1.2 推荐系统中推荐场景介绍
2、推荐系统架构设计
2.1 推荐内核架构设计
2.2 推荐实时性
3、推荐系统算法设计
3.1 推荐内核——意向模块
3.2 推荐内核——召回模块
3.3 推荐内核——排序模块
受众收益：
1. 了解推荐系统在OTA领域运用时面对的问题及解决方案；
2. 了解如何搭建OTA领域的推荐系统。

2017年毕业于华东理工大学 研究方向：统计计算
2017-2019年，携程旅行网，酒店研发部 算法工程师
2019年至今，同程旅行网，数据中心算法工程师

负责竞技世界直播视频内容理解与生成、智能推荐、游戏体验智能优化等方向的工作。专注于大数据挖掘与人工智能技术的应用，乐于挑战和解决疑难问题。

内容分发，尤其新热长视频内容分发需要特别关注内容宣发需求，兼顾内容保量公平和场效。有别于传统大规模电商领域流量分配，我们提出了针对内容流量弹性模型，以描述新热内容对于曝光量和点击率的个性化趋势；并以此为基础，建立了总体资源约束下的多目标流量分配框架。流量弹性模型建立在常微分方程基础之上，多目标优化则建立在ODE引导的约束下，以期寻找到以各节目优场效为基准的公平流量分配策略。
在优酷首页“新热剧”等剧集、综艺新热场下，该模型与优化方法相对于传统人工运营在场效与内容保量公平性上均有大幅提升，该项工作也被KDD2020收录。

博士毕业于清华大学自动化系，曾就职于硅谷独角兽公司，后加入阿里巴巴，有多年建模与优化、计算机视觉、机器学习等经验。现负责优酷内容智能团队视觉智能与决策智能方向，曾在多个顶会如ICRA，KDD和SCI期刊发表论文。