第四范式发布智能推荐系统先荐,媒体智能转型的专属工具

11月6日,第四范式主办的“2018人工智能+新媒体论坛”在京召开。会上,第四范式发布赋能媒体的AI产品——先荐智能推荐系统(以下简称先荐)。该产品融合了先进的人工智能算法,帮助媒体快速、精准匹配用户的阅读需求,提升媒体运营效率和用户留存时间,实现用户增量及流量变现,加速媒体向“智能化”迈进。

洞察内心的真实需求AI推荐系统已成媒体基础能力

随着移动互联网时代的开启,媒体行业竞争加剧,不断涌现的阅读客户端内容同质化严重以及用户浏览时间越来越碎片化等问题凸显,如何留住用户,满足用户对优质内容的个性化需求成为运营的关键。此前,业内普遍将技术视为提升内容和用户运营效率的重要生产力,基于人工智能等新兴技术的推荐系统更是成为了媒体 “智能化”转型的利器。有业内人士指出,基于人工智能的算法,已经不再是新闻客户端的核心竞争力,而是一种基础能力。

事实上,“千人千面”的智能推荐是用户注意力稀缺与信息过载博弈中的重要突破点之一。“不断优化迭代AI算法——用户的互动行为增多——获取的数据越丰富——推送越精准——用户越离不开”已成为新媒体的基本发展逻辑。但由于人工智能技术门槛高,且相关人才匮乏,媒体很难去自建技术团队搭建推荐系统,此次发布的先荐则提供了一个很好的平台。

先荐是集内容上传、内容管理、内容分发、推荐干预、前端渲染于一体的一站式推荐服务可视化平台,支持PC、WAP、 APP全平台接入,帮助媒体从0到1搭建推荐系统,显著提升用户活跃、留存、观看时长等重要业务指标,在减少成本投入的同时,大幅提高媒体运营效率,从而实现业务智能化转型。目前,先荐已与新华社、人民日报、环球网、    钛媒体、虎嗅、亿欧、CSDN等三百余家媒体开展了深入合作。其中,在CSDN信息流场景及WAP站广告推荐等项目上,先荐实现了点击率110%的提升,同时访问量和营收分别增长了187%、49%。

低门槛、先进算法、多场景应用 先荐提升媒体“硬实力”

为了解决人工智能应用门槛高、开发成本大等难题,第四范式将“第四范式先知”的数据处理能力、图像处理能力、自然语言处理(NLP)、大规模机器学习框架、深度学习、自动机器学习(AutoML)、自动调参等先进算法封装在了先荐中,用户通过界面操作,仅需三步,即可完成自建推荐系统的全过程,省去了开发和基础学习的过程,降低了AI在媒体中应用的门槛。与此同时,先荐提供了场景管理、内容管理、规则配置、上线渲染、报表统计等丰富的推荐配置和数据统计功能,用户可随时了解推荐状态,精确控制自己的推荐服务。

值得一提的是,为避免推送低俗信息等价值观不正的情况出现,第四范式推出了业内首创的主流价值算法。其通过内容质量调控、智能分发、传播调控等三大步骤,实现“以人为本”的自我进化。该算法在不抽离主流核心价值的前提下,实现了海量内容与用户个性化需求精准匹配,使算法更加科学、理性、可控。

此外,先荐支持实时、全面地分析用户搜索习惯、场景及上下文状态,实现内容精准分发,PV(页面浏览量)增幅可达30-200%,用户粘性和点击深度显著增强。毫秒级的数据更新,为优质内容的实时推荐提供了保障。与此同时,先荐还配备搜索引擎优化功能,实现SEO的智能优化。

目前,先荐提供了个性化推荐、关联推荐、热门推荐等三种服务。基于机器学习的意图识别能力,先荐可为每个用户在不同时间、不同地点推荐最适合当前场景的内容,真正提供“千人千场千面”的个性化推荐服务;关联推荐则基于当前内容的语义分析,推荐与当前内容相似的信息,以提高站内停留时长和人均阅读篇数;热门推荐是根据全站内容的阅读量统计,进行全局、分频道或分地域排行。

先荐是一款瞄准媒体真正痛点的一站式智能推荐产品,在输出技术的同时,融合了行业洞见与理解,为媒体的“智能化之路”提供了坚实的保障。正如第四范式创始人、首席执行官戴文渊所说:“AI的价值已无需赘述,在媒体这个新的‘考场’中,AI必将发挥巨大的作用,而先荐也将会成为媒体行业的‘常规武器’。”

产业AutoML深度学习NLP图像处理机器学习先荐推荐系统第四范式
相关数据
第四范式机构

第四范式成立于2015年初,是国际领先的人工智能技术与服务提供商,已服务20多个行业完成上千个AI落地案例。目前国内重要的国有银行和全国性股份制银行,超过一半都是第四范式的客户,此外,公司在互联网、医疗、政府、能源、零售、媒体等行业均有涉猎,诸多案例取得百分之一百以上的效果提升。

https://www.4paradigm.com/
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

推荐系统技术

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包括基于本体和基于案例的推荐系统)是一类特殊的推荐系统,这类系统更加注重知识表征和推理。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~