最全大淘宝技术提出TTNet算法荣获“最佳工业论文奖”奖项(1)，毕业工作5年被裁

最新推荐文章于 2024-11-01 14:48:20 发布

2401_84103344

最新推荐文章于 2024-11-01 14:48:20 发布

阅读量853

点赞数 22

分类专栏：程序员文章标签： java 面试学习

本文链接：https://blog.csdn.net/2401_84103344/article/details/138816428

版权

程序员专栏收录该内容

232 篇文章 0 订阅

订阅专栏

总结

这份面试题几乎包含了他在一年内遇到的所有面试题以及答案，甚至包括面试中的细节对话以及语录，可谓是细节到极致，甚至简历优化和怎么投简历更容易得到面试机会也包括在内！也包括教你怎么去获得一些大厂，比如阿里，腾讯的内推名额！

某位名人说过成功是靠99%的汗水和1%的机遇得到的，而你想获得那1%的机遇你首先就得付出99%的汗水！你只有朝着你的目标一步一步坚持不懈的走下去你才能有机会获得成功！

成功只会留给那些有准备的人！

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

需要这份系统化的资料的朋友，可以点击这里获取

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。

由IEEE计算机学会、国际网络智能协会、美国计算机学会主办，牛津大学、昆士兰大学、迪肯大学、中国医学科学院、东南大学、南京财经大学、PIESAT、大淘宝技术部、IOS Press协办的第20届WI-IAT国际会议(WI-IAT 2021)于2021年12月14至17号在澳大利亚的墨尔本召开。

WI-IAT是每年一度的人工智能领域的国际会议，旨在提供一个广泛的交流平台，供学术界、专业人士和业界人士交流彼此的想法和发现。 WI-IAT的目标是在集体智能、数据科学、知识管理、网络科学、自主代理以及以人为中心的计算和多代理系统相关的理论和方法的研究进展之间实现多学科平衡。同时，致力于解决研究对应的实际应用问题，既加深了对未来网络的计算、逻辑、认知、物理和社会基础的理解，又使智能技术的发展和应用成为可能。

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:

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。
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。
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。

学习分享，共勉

这里是小编拿到的学习资源，其中包括“中高级Java开发面试高频考点题笔记300道.pdf”和“Java核心知识体系笔记.pdf”文件分享，内容丰富，囊括了JVM、锁、并发、Java反射、Spring原理、微服务、Zookeeper、数据库、数据结构等大量知识点。同时还有Java进阶学习的知识笔记脑图（内含大量学习笔记）！