大淘宝技术提出TTNet算法荣获“最佳工业论文奖”奖项

今年是WI-IAT 20周年。WI-IAT’21提供了一个主要的论坛，并在所有理论和技术领域的Web智能和智能代理技术提供了高质量的、原创的研究论文和现实世界的应用。此次会议的主题是’AI in the Connected World’，即AI连接世界,专注于AI技术对现实问题的应用和结合，国内外专业研究者贡献出多种通过AI技术来解决现实问题的实际应用方案。大会邀请了2位图灵奖获得者(Leslie Vialiant教授和Joseph Sifakis教授)、美国工程院院士(Tom M. Mitchell教授)和荷兰皇家科学院院士(Frank van Harmelen 教授)进行主题报告分享，以及颁布各类奖项。此次会议上，大淘宝技术商家赋能算法团队联合浙江大学提出的TTNet算法荣获“最佳工业论文奖”奖项。

互联网和数字技术为中小企业开辟了新的销售路径，深刻推动了营销方式、消费者运营模式和商品生产方式的变革。但中小商家常常会受限于其自身销售规模、研发能力和市场宣传等方面的不足，使得他们的优质商品难以在有海量商品中被用户充分发掘并得到充足的成长，因此如何通过数字化帮助中小商家实现商品成长过程的降本提效一直是电商市场机制优化的核心难题，也是电商平台助力社会共同富裕的基础所在。大淘宝技术商家赋能算法团队联合浙江大学创新性地首次将Meta-transfer Learning的迁移策略应用到Tabular Learning上，解决Tabular Data在少样本迁移快速适应的难题，为该领域贡献了一种新的研究思路，荣获大会“最佳工业论文”奖。

经过大量的研究工作，团队进一步将此算法模型应用在挖掘优质有潜力的商家新品，通过新品的少量稀疏数据构建Tabular数据特征，再应用其提出的TTNet算法模型准确且高效地预估商家的新品潜力，新品潜力可用于指导这些潜力新品的大规模扶持孵化。经过实验证明，团队的算法模型可以实现亿级新品的潜力挖掘，以及千万级的商家新品有效扶持。通过这种方式，该项技术可以帮助中小商家的优质新品在平台快速成长起来，为商家创造新的利润源泉，也给平台带来源源不断的高质量新品，扩大平台供给侧资源，为消费者提供更丰富多样的选择。

Tabular数据作为日常生活中常见的一种数据格式(如电子表格和csv文件)，主要包括类别和统计数据等表格数据。现有的大多数方法例如深度神经网络方法往往并不能很好地挖掘这种Tabular特征，因为其相比于树形结构方法不能够很好地实现特征选择。其次，现有的方法因为网络结构的复杂难以复用，进而在迁移任务中不能取得很好地表现结果。因此针对这两点问题，团队提出了TTNet算法，其创新点主要体现在:

1. 首先通过设计一种分箱表格网络结构，既能够模仿树形结构实现特征选择，也能够使神经网络在迁移任务中实现网络复用，以更好地挖掘表格形数据的特征。

2. 此外，团队采用了Meta-transfer的迁移策略来实现从源数据迁移到目标数据的快速适应。

3. 无论是在公共数据集还是在实际业务数据应用中，相比与已有的算法，团队提出的TTNet方法均能取得更好的表现结果。

该算法模型能够广泛应用于通用的tablular数据的业务场景，包括但不限于电商领域新品挖掘，金融领域的风险账户识别，医疗领域的患者健康预估，致力于解决业务场景数据少样本稀疏问题，极大地提高预测的准确性和高效性。大淘宝技术商家赋能算法团队联合浙江大学将算法模型应用在电商领域，实现了中小商家运营能力和数字化能力的极大提升，帮助商家扩大了经营效益，助力于社会共同富裕。阿里巴巴集团淘宝事业群新零售技术事业群副总裁汤兴表示，“这是技术真正在产业中发挥作用的典型范式，我们不仅为消费者带来购物体验，更推动技术对于行业的数字化转型和赋能。今天的算法模型只是一小步，大淘宝技术将持续去迭代我们生活与技术、与世界的关系。”

✿  拓展阅读

总结

其他的内容都可以按照路线图里面整理出来的知识点逐一去熟悉，学习，消化，不建议你去看书学习，最好是多看一些视频，把不懂地方反复看，学习了一节视频内容第二天一定要去复习，并总结成思维导图，形成树状知识网络结构，方便日后复习。

这里还有一份很不错的《Java基础核心总结笔记》，特意跟大家分享出来

目录：

部分内容截图：

q-1714673847343)]

[外链图片转存中…(img-VpH3MKxw-1714673847343)]

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录