8月14日至18日|kdd2021在线上正式举行ai技术应用紧密结合( 四 )

文章图片
9.基于模调节近邻图的最大内积检索
NormAdjustedProximityGraphforFastInnerProductRetrieval
快速近邻检索（ANN）和快速最大内积检索（MIPS）是工业界超大规模排序系统的核心，在搜索引擎公司的各项主要业务中发挥了巨大作用。有关ANN和MIPS的各项前沿研究在百度已经有了很长的历史。从2019年开始，通过学术论文百度逐步而系统地对外公开了自主开发的各项ANN和MIPS核心技术。这篇KDD2021论文就是其中之一。
最大内积检索（MIPS）旨在快速查找与检索向量（Query）内积最大的候选向量，原本是学术界和工业界的一个重大难题。最大内积检索之所以具有挑战是因为内积不符合三角关系，即内积不是度量标准（MetricMeasure）。传统的快速向量检索技术多为MetricMeasure所设计，如欧式距离和余弦距离。这些传统方法并不适用于最大内积检索。比如针对MetricMeasure效果非常好的图索引方法就不能直接应用到最大内积检索中。在本文中我们提出模调节图索引结构，将针对MetricMeasure的图索引结构扩展到最大内积检索任务中。大量实验表明，该方法相比于之前有代表性的内积检索方法，有很大的性能优势。我们提出的方法NAPG相比于之前有代表性的MIPS方法ip-NSW ， Greedy-MIPS和Rang-LSH ，在检索性能上有巨大优势。在同等召回率水平上，该方法可以处理的查询数远多于其他方法。

文章图片
10.JIZHI：百度面向网络应用的实时高效模型预估系统
JIZHI:AFastandCost-EffectiveModel-As-A-ServiceSystemforWeb-ScaleOnlineInferenceatBaidu
对于来自数亿级用户的巨量预估请求，如何能够以超低成本支撑起超大规模离散稀疏深度模型进行高效的实时在线推理仍然具有极大挑战性。在本文中，我们构建了一套高效智能在线推理系统JiZhi（极智），将每个请求的推理过程转换为一个阶段式的事件驱动处理流（SEDP），创新性的以全局最优视角自适应精细化调整各个阶段最合理的架构算法和参数，动态调度模型预估算力的分配，更加智能通用的适应各种预估应用场景。通过多层次自适应缓存机制，大幅减少了由超大规模稀疏模型参数引起的计算成本和数据访问延迟，进一步加速在线推理过程。此外， JiZhi还实现了智能资源管理机制，从系统运行期历史中学习最佳的资源分配计划，调整负载控制策略，最大限度的提高JIZHI的系统吞吐。 JIZHI已在百度20多个业务场景落地，从端到端的实现成本、服务延迟、系统吞吐量、资源消耗等角度展现出了JIZHI系统显著的优势，在保障模型效果的前提下节省了大量的实现、硬件和基础设施的应用成本。

文章图片
AI+房地产评估：从地理分布、人口流动性分布、居民人口学分布等多个角度构建丰富的特征集，以对房地产价值进行全面综合的剖析。
11.MugRep:一种面向房地产评估的多任务层次图表示学习框架
MugRep:AMulti-TaskHierarchicalGraphRepresentationLearningFrameworkforRealEstateAppraisal
房地产评估是指对房地产的市场价值进行公正评价的过程，其对房地产市场的各种参与者（如房地产经纪人、估价师、贷款人和买家）的决策过程起着至关重要的作用。然而，要做到准确的对房地产进行评估并不容易，将主要面临三个方面的挑战：(1)房地产价值复杂的影响因素；(2)房地产交易间的异步时空依赖；(3)城市居民社区间的多元相关性。针对以上几大挑战，本文提出了一种多任务层次图表示学习框架(MugRep) ，用来准确的评估房地产。具体来说，通过获取和整合多源城市数据，本文首先从地理分布、人口流动性分布、居民人口学分布等多个角度构建丰富的特征集，以对房地产价值进行全面综合的剖析。然后，我们提出了一种演化的房地产交易事件图卷积模块，以融合房地产交易之间的异步时空依赖。此外，为了进一步从居民社区的视角提取有价值的知识，我们设计了一种分层异构的社区图卷积模块，以捕获居民社区之间的多元相关性。最后，我们引入以城区作为划分的多任务学习模块，以生成不同分布的房地产评估意见。我们在两个真实数据集上进行了大量的实验，结果证明了MugRep及其组件和特性的有效性。