AI小编问世！阿里智能写手核心技术首次公开！

词和policy gredient选出的词，做KNN，距离是embedding后的距离，选择距离最近的作为action。4. 最终，除了第一个timestep还保留着期望的输入，其余都将是强化学习的方式。3.2 效果展示这里展示部分在测试集上生成的标题和推荐理由，给大家一些直观的感觉：清单标题卫衣，穿出你的青春活力加绒牛仔裤，让你的冬天更有范牛仔外套，穿出帅气的你羊羔毛外套，温暖整个冬天穿上格子装，让你秒变女神职场新人，职场穿搭指南穿上白衬衫，做个安静的女子穿上蕾丝，做个性感的女子商品推荐理由这件针织款连衣裙采用了v领的设计，露出性感的锁骨，性感显优雅，衣身的撞色拼接，丰富了视觉效果，更显时尚感。简约的圆领设计，修饰颈部线条，中长款的设计，显得优雅又大方，干净素雅，展现出清新的文艺风格，在端庄中流露出一股优雅的气质。假两件的设计，让你的身材更加的修长，宽松的版型，穿着舒适，不挑身材，时尚百搭，轻松穿出时尚感。四. 展望智能写手在双十一的智能利益点和图文清单生成上拿到了初步的效果，但是仍然还存在很多问题待解决，后续我们将在如下方面继续探索和优化：1. 效果评估。现在采用BLEU、覆盖率、准确率、人工评测结合的方法来评估效果，但BLEU和实际目标不完全一致，人工评测成本又较高，需要有更好的评价方案。2. 更丰富的输入信息。引入包括商品图像、用户评价等在内的信息，除了可以解决输入输出的不一致外，还能给用户提供更有价值的内容。3.语言生成理解。通过模型的可视化，可以分析bad case的根源，优化模型。4. 机器生成方面目前还有描述的准确度、多样性问题需要解决，另外考虑到很多缺少足够样本的业务也有生成的需求，模型是否能具备迁移能力也是一个可能的方向。五. 关于团队阿里巴巴推荐算法团队目前主要负责阿里电商平台(包括淘宝、天猫、Lazada等)的商品及feeds流推荐，其中用户导购场景个性化，首页首图个性化、猜你喜欢、购买链路等场景每天服务数亿用户，涉及智能文本生成、流量效率提升、用户体验、提高商家及达人参与淘宝的积极性，优化商业生态运行机制。欢迎热爱算法，对业务有好奇心，有合作精神的同学一起工作、成长。简历可投邮箱：shaoyao@taobao.com或者guli.lingl@taobao.com或者jinxin.hjx@alibaba-inc.com西湖湖畔，翘首以盼，等你来信～六. 参考文献[1] Severyn A, Moschitti A. Learning to rank short text pairs with convolutional deep neural networks[C]//Proceedings of the 38thInternational ACM SIGIR Conference on Research and Development in Information Retrieval. ACM, 2015: 373-382.[2] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser, and Illia Polosukhin.Attention is all you need. arXiv preprint arXiv:1706.03762,2017.[3] Dauphin Y N, Fan A, Auli M, et al. Language modeling with gated convolutional networks[J]. arXiv preprint arXiv:1612.08083,2016.[4] Luo W, Li Y, Urtasun R, et al. Understanding the effective receptive field in deep convolutional neural networks[C]//Advances inNeural Information Processing Systems. 2016: 4898-4906.MLA[5] Neural Machine Translation by Jointly Learning to Align and Translate[6] Rush A M, Chopra S, Weston J. A neural attention model for abstractive sentence summarization[J]. arXiv preprint arXiv:1509.00685, 2015.[7] Kim Y. Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.[8] Tu Z, Lu Z, Liu Y, et al. Modeling coverage for neural machine translation[J]. arXiv preprint arXiv:1601.04811, 2016.[9] Tu Z, Liu Y, Lu Z, et al. Context gates for neural machine translation[J]. arXiv preprint arXiv:1608.06043, 2016.[10] Sequence Level Training with Recurrent Neural Networks, ICLR 2016.[11] Kishore Papineni, Salim Roukos, Todd Ward, and Wei-Jing Zhu. Bleu: A method for automatic evaluation of machine translation.