2024机器学习在数美业务落地_第1页
2024机器学习在数美业务落地_第2页
2024机器学习在数美业务落地_第3页
2024机器学习在数美业务落地_第4页
2024机器学习在数美业务落地_第5页
已阅读5页，还剩3页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

有很多业务需求，如需要对一个人行为进行评分来判断是否拦截。数美业务有：天信-可信度评分，天网-客户评分/广告行为分，天净-涉政、涉黄、涉恐、涉暴的内容识别与拦截。数美各项业务中常见的算法有逻辑回归、决策树，以及当下比较流行的xgboost，学习算法，如DNN、CNN，以及与序列学习相关的RNN。passion，黑产有一种不欺诈、反作弊，最基础的聚类算法，在各项聚类中作为baseline——K-means，目前业内较为流行的发现异常/离群簇算法，且不会对簇形状有要求——DBSCAN，还有Iforest是项衍生、MCTS蒙特卡洛树搜索、RHGA要一个playreview，游戏AI、自动驾驶、智能机器人的playreview是很好定义的。游戏IOE、WOE、AR要特征有IP、WOE、行为数据等，还有依据Xgboost生成树的节点选择特征。最后依据APPstacking二个就是融合多源的结果，提高覆盖率。采取stacking的方法，让模型覆盖率突破单一源stacking去分析各种case，各种调试加减分等。RNNevent一个较长的事件长度，来近似无限长度，一般是100、1000、1500等。第二个就是很难在RNN这一点做一个妥协，不同人的在相同位置的事件并不代表同一时间的事件，且不同人的前后两次事件在时间域上也不相同。如一个人可能在事件2310RNNpaddingpaddingbias在线上没有bias累加，所以需要RNNcell丢掉bias。目前业内的通用做法还是分析case，人工做策略，算算术，卡阈值。反欺诈本来是一个黑SiftScience，一种者，会有全局/特化监督学习模型，或策略，精确定位欺诈行为及用户，涉及RNN或者策音频拦截服务。主要做法将音频流、音频URL、音频文件作为一个音频输入，然后通过模对少一点，利用IVector加逻辑回归就能得到一个比较好的结果。ReinforcementLearning模型融合到业务reward可以让机器自动寻找可能的犯案路径，或者可以利用reward体现欺诈程度。但是这个涉及几个比较大的限制，一个是playreview的设计，第二个就是ruleconstraver设计。这代表着如何让程序理解目前所代ReinforcementLearn

人人文库> 全部分类> 专业文献 > IT计算机

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论