原文恕刪 我進入職場後才發現 還是真的有些資訊人對機器學習或資料探勘認識不多 而且原po文底下對text領域的推文好像比較少 所以我簡單分享一下我的領域還有實際應用 我研究所是做text mining, word embedding, topic model(LDA), NLP (拜託公司有缺人做這塊的請聯絡我XDD) e.g. 1 LDA->推薦系統 LDA簡單來講就是分群 業界最常用的就是推薦系統 某家新創電商用LDA做推薦系統 在原本的計算能力下 推薦的命中率從原本的10%提升到45%~50%之間 e.g. 2 LDA+social network -> 熱門議題發掘 這是小魯做的研究之一 我們那時候跟某公司合作 挖掘社群網站內重要的議題 會依照不同人在社群內的領導性 迭代計算熱門程度及重要性 後來實際運用是新產品推廣和輿情分析 儘早發現對公司不利的言論以利後續滅火 e.g. 3 NLP -> 聊天問答機器人 這個是我現在主要做的領域 要處理的是對特定項目進行了解 還有給予使用者建議 這個其實蠻實際的 對組織來說 如何完整記載資訊還有提供給需要的人使用 這件事情一直都是人工處理 有這套系統後 員工遇到問題可以直接向機器人尋求協助 這可以降低溝通成本及加快開發效率 e.g. 4 word embedding -> 機器翻譯 傳統上對文字的處理大多是用one-hot的方式做輸入 不過很容易遇到維度太大 而且罕見詞浪費空間等問題 word embedding簡單來說就是可以把所有文字轉成固定大小的矩陣來處理 例如 queen = [0.1,0.5,0.2] king = [0.4,0.1,0.7] ..... 那他神奇的地方在於 轉完的矩陣有關聯性 例如 queen - woman + man ~ king I am starving ~ I am hungry (這個要額外做處理) 對不同文字間 可以再用NN做轉換就變成 I am starving ~ 我肚子餓了 不過這套目前還有一些問題還沒被解決 以上這四個例子其實都很常見 而且很難用非機器學習(可能不是NN)的方式得到更好的結果 簡單來說 機器學習在"無法簡單定義流程"的地方 通常可以獲得更好的成效 以上是我在這領域待3年左右的分享 不過我剛上班沒多久 看的可能比較狹隘 其他還請強者補充XD -- Sent from my CASIO fx-991es . --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.227.49.28 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/Soft_Job/M.1485583424.A.573.html