e-works数字化企业网  »  文章频道  »  管理信息化  »  BI

商务智能的发展——未来的研究方向

2017/5/17    来源:互联网    作者:佚名      
关键字:商务智能  BI  商业智慧  
本文主要研究了商务智能未来的研究方向。

一、商务智能(BI),商业智慧(BI)的发展方向:

    BI新走向之一:融合加强,演变成门户化

    BI新走向之二:日趋“傻瓜”,体现人性化

    BI新走向之三:移动BI将成为新战场

    BI新走向之四:在云中部署BI,成为主流方向

    BI新走向之五:SaaSBI日渐雄起,受中小企业青睐

    BI新走向之六:可视化技术呈亮点,交互式分析助推BI

    BI新走向之七:外部信息将整合到内部BI中,内外网信息并联互动

二、智能的搜索引擎研究方向:

    查询聚类(Query clustering)

    查询意图识别(Query intent recognition)

    查询推荐(Query suggestion)

    查询改写(Query rewriting),具体包括:

    查询同义变换(Query paraphrasing)

    查询扩展(Query expansion)

    查询缩略(Query reduction)

    查询纠错(Query error correction)

    学习排序(Learning to rank)

    个性化搜索(Personalized search)

    命名实体挖掘(Named entity mining)

    本体知识库构建(Ontology construction)

三、商务智能(BI),人工智能(AI)的研究方向:

    1.基于大规模机器学习的排序算法(Machine Learning to Rank)

    排序算法是搜索技术的核心之一,基于机器学习排序算法将机器学习技术应用于排序问题。研究内容包括但不限于:

    排序算法的分布式训练;

    排序算法的在线学习(online learning);

    排序算法的在线预测速度提升;

    多目标优化的排序算法。

    2.海量特征设计(large scale feature engineering)

    特征设计在机器学习系统中扮演着至关重要的作用。但当面临海量数据时,往往特征数量也会是海量的,这时如何做好特征选择、特征组合等工作,与小规模时相比会复杂很多。研究内容包括但不限于:

    海量特征自动选择;

    海量特征自动组合。

    3.高效训练样本获取(Label Complexity Reduction)

    机器学习算法要求大量的高质量的标注样本,然而标注样本耗时耗力,并且在样本到达一定量后,对样本量的需求增幅远大于训练效果提升,如何高效地获取良好样本是一个挑战。海量互联网数据下的LTR的样本获取、多语言学习任务背景下标注样本的获取、网页/网站/query等的分类或聚类所需样本等是高效样本获取方法的应用场景。本方向的问题包括但不限于:

    通过主动学习(Active learning)加速标注流程。

    通过迁移学习/多任务学习(Transfer learning/multi-task learning) 利用其他领域的知识和标注样本来提升另一领域的学习效果。

    通过半监督学习(Semi-supervised learning),考虑如何利用少量的标注样本和大量的未标注样本进行分类和聚类,相关问题有半监督学习的算法改进、半监督学习的在线学习(Online-learning)或者增量学习(incremental-learning)算法等。

责任编辑:程玥
本文来源于互联网,e-works本着传播知识、有益学习和研究的目的进行的转载,为网友免费提供,并以尽力标明作者与出处,如有著作权人或出版方提出异议,本站将立即删除。如果您对文章转载有任何疑问请告之我们,以便我们及时纠正。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐