[PYTHON] Ich habe versucht, die grafische Modellierung zusammenzufassen.

Einführung

Ich dachte, dass es in Qiita keinen bestimmten Artikel über grafische Modellierung gibt. Hier ist ein kurzer Überblick über die grafische Modellierung.

"Einführung in die grafische Modellierung, die ich nicht mehr hören kann" http://www.slideshare.net/Kawamoto_Kazuhiko/ss-35483453

1. 1. Übersicht über die grafische Modellierung

1) Was ist grafische Modellierung?

In etwa ist es ein Modell für das Bayes'sche Denken.

(Zusätzlich…) Eine grafische Darstellung der bedingten Unabhängigkeit zwischen stochastischen Variablen. Bedingte Unabhängigkeit ist der Schlüssel zur Modellierung und zu effizienten Algorithmen. (Es besteht eine Verbindung, aber die Kombination explodiert nicht.)

2) Latente Variable (versteckte Variable)

Für die beobachtbare Beobachtungsvariable x Durch Definieren der nicht beobachtbaren latenten Variablen z Es ist möglich, Werte auszudrücken, die ursprünglich nicht beobachtet wurden.

2. Arten der grafischen Modellierung

1) Modelltyp

Markov-Wahrscheinlichkeitsfeld: Grafisches Diagramm mit ungerichtetem Diagramm Basian Network: Grafische Modellierung mit gültigen Grafiken

-Ergänzung- Intuitiv ist das basianische Netzwerk leichter zu verstehen, ・ Markov-Wahrscheinlichkeitsfeld: Benachbarte Knoten sollten angegeben werden ・ Grundlegendes Netzwerk: Abhängigkeiten treten zwischen Kindern auf Daher ist es schwierig festzustellen, ob es sich um eine bedingte Unabhängigkeit handelt. Das stochastische Markov-Feld ist ein einfacheres Modell als das basianische Netzwerk.

2) Arten latenter Variablen

Die latente Variable des Markov-Wahrscheinlichkeitsfeldes ist ・ Wenn es sich um eine diskrete Wahrscheinlichkeit handelt: Hidden-Markov-Modell ・ Für kontinuierliche Wahrscheinlichkeit: Kalman-Filter (Normalverteilung), Partikelfilter (außer Normalverteilung) ist.

Wenn der Graph eine Schleifenstruktur hat Eine ungefähre Lösung kann unter Verwendung der stochastischen Ausbreitungsmethode (Summenproduktalgorithmus) abgeleitet werden.

3. 3. Implementierung

↓ Der Kommentarartikel ist leicht zu verstehen. "Implementieren von Markov Probability Field / Probability Propagation mit Python networkx" http://sinhrks.hatenablog.com/entry/2014/12/27/232506

Wie der Titel schon sagt, erfolgt die Implementierung mit dem networkx-Modul in Python Es basiert auf dem Thema Bildverarbeitung.

4. Zusammenfassung

Die visuelle Modellierung kann mithilfe von Diagrammen erfolgen Es soll die Stärke der grafischen Modellierung sein, Ich bin der Meinung, dass Geschicklichkeit erforderlich ist, um unsere Stärken tatsächlich zu demonstrieren.

Nutzung in der Webwerbung

Da ich eine Beschreibung der grafischen Modellierung und der latenten Variablen geschrieben habe, Wie grafische Modellierung jetzt in der Werbebranche eingesetzt wird Ein Beispiel für die Verwendung im aktuellen Trend nativer Anzeigen: Ich möchte basierend auf dem Artikel und dem Papier (Yahoo!) schreiben.

    1. Artikel [Serie] Abenteuer über Einsichten (Verwendung von Themenmodellen für native Werbung)
  1. Zukunftsprognose für Content Marketing -Das Abenteuer, latentes Interesse zu verfolgen, geht weiter- http://marketing.itmedia.co.jp/mm/articles/1410/02/news001.html

  2. Papier- Artikeltitel: Suchen Sie mithilfe eines Themenmodells nach inhaltsgebundenen Anzeigen Autor: Koji Yamamoto Masaki Noguchi Shingo Ono Koji Tsukamoto (Yahoo Japan Corporation) http://www.anlp.jp/proceedings/annual_meeting/2014/pdf_dir/P2-14.pdf

1. 1. Artikeleinführung

1) Aktuelle Probleme mit dem "Topic Marketing System"

a) Verbesserte Genauigkeit und Geschwindigkeit der Themeninterpretation

Das Themenmodell ermöglichte es, Sätze schnell und einfach zusammenzufassen. Lesen potenzieller Interessen aus der Liste der im Thema enthaltenen Feature-Wörter Menschliche analoge Arbeiten wie Vorkenntnisse und Vorstellungskraft werden auftreten, daher sind Verbesserungen erforderlich.

b) Schnelle Generierung von Inhalten aus dem Thema (Kontextbildung)

Verwendet das Wort vec2 (modernste von Google entwickelte und veröffentlichte Technologie zur Verarbeitung natürlicher Sprache).

c) Fusion mit nativen Anzeigen

Fusion mit nativer Werbeplattform

2) Wie wird sich die Herangehensweise an potenzielle Interessen ändern?

a) Vom statischen zum dynamischen Ansatz (Vorwegnahme von Anzeichen einer Änderung des latenten Interesses)

Es wird notwendig sein, ein dynamisches Lernmodell zu verwenden.

b) Genauere Ausrichtung

Aufgrund der Omni-Channelisierung von Einkaufsinformationen und der Entwicklung der Verhaltensvorhersage durch maschinelles Lernen Hochgenaue Targeting-Werbung ist möglich.

2. Einführung in die Arbeit

1) Annahme:

Kriterien für die Anzeigenauswahl ・ Wörter im Inhalt ・ Ähnlichkeit der Wörter in der Werbung Es gibt.

2) Problem:

Auch wenn es eine für den Inhalt geeignete Werbung gibt Wenn die im Inhalt und in der Werbung verwendeten Wörter unterschiedlich sind Die Anzeige ist kein Kandidat für die Anzeige.

3) Vorgeschlagene Methode:

Um das Problem zu lösen, dass geeignete Anzeigen aufgrund von Wortfehlanpassungen nicht als Kandidaten angezeigt werden können Konvertieren Sie Wörter sowohl aus dem Seiteninhalt als auch aus dem Anzeigentext in Themen. ⇒ Vorgeschlagene Methode zur Suche nach Anzeigen im konvertierten Themenbereich.

4) Neuheit des Papiers:

Durch die Kombination von Wortsuche und Themensuche Es wurde gezeigt, dass die Genauigkeit der Werbesuche im Vergleich zu dem Fall, in dem beide alleine verwendet werden, verbessert ist.

5) Ergänzung (Verarbeitung natürlicher Sprache und Themenmodell)

· Verarbeitung natürlicher Sprache: Was ist "Verarbeitung natürlicher Sprache", die auch für Smartphones verwendet wird? (http://logmi.jp/45207)

・ Themenmodell: Beginn des Themenmodells (https://speakerdeck.com/yamano357/tokyowebmining46th) Ich denke, man kann es irgendwie verstehen, wenn man liest.

Recommended Posts

Ich habe versucht, die grafische Modellierung zusammenzufassen.
Ich habe versucht, den Befehl umask zusammenzufassen
Ich habe versucht, SparseMatrix zusammenzufassen
LeetCode Ich habe versucht, die einfachen zusammenzufassen
Ich habe versucht, die Grundform von GPLVM zusammenzufassen
Ich habe versucht, die String-Operationen von Python zusammenzufassen
Ich habe versucht, den Ball zu bewegen
Ich habe versucht, den Abschnitt zu schätzen.
[Erste COTOHA-API] Ich habe versucht, die alte Geschichte zusammenzufassen
Ich habe versucht, den in Pandas häufig verwendeten Code zusammenzufassen
Ich habe versucht, die im Geschäftsleben häufig verwendeten Befehle zusammenzufassen
[Maschinelles Lernen] Ich habe versucht, die Theorie von Adaboost zusammenzufassen
Ich habe versucht zusammenzufassen, wie das EPEL-Repository erneut verwendet wird
Ich habe versucht, die Behandlung von Python-Ausnahmen zusammenzufassen
Ich versuchte das Weckwort zu erkennen
Python3-Standardeingabe habe ich versucht zusammenzufassen
Ich habe versucht, das Umfangsverhältnis π probabilistisch abzuschätzen
Ich habe versucht, die COTOHA-API zu berühren
Ich habe versucht, Ansibles Module-Linux-Edition zusammenzufassen
[Linux] Ich habe versucht, die Ressourcenbestätigungsbefehle zusammenzufassen
Ich habe versucht, die Befehle zusammenzufassen, die Anfängeringenieure heute verwenden
Ich habe versucht, die häufig verwendete Implementierungsmethode von pytest-mock zusammenzufassen
Ich habe versucht zu debuggen.
Ich habe Web Scraping versucht, um die Texte zu analysieren.
Ich habe versucht, beim Trocknen der Wäsche zu optimieren
Ich habe versucht, die Daten mit Zwietracht zu speichern
Ich habe versucht, die Trapezform des Bildes zu korrigieren
Qiita Job Ich habe versucht, den Job zu analysieren
Ich habe versucht, das Problem des Handlungsreisenden umzusetzen
Ich habe versucht, die Texte von Hinatazaka 46 zu vektorisieren!
Ich versuchte zusammenzufassen, bis ich die Bank verließ und Ingenieur wurde
Ich habe versucht, verschiedene Sätze mit der automatischen Zusammenfassungs-API "summpy" zusammenzufassen.
Ich habe versucht, die logische Denkweise über Objektorientierung zusammenzufassen.
Ich habe versucht, die Linux-Befehle zusammenzufassen, die heute von Anfängeringenieuren verwendet werden - Teil 1-
Ich habe versucht, die Sündenfunktion mit Chainer zu trainieren
Ich habe versucht, die in Python installierten Pakete grafisch darzustellen
Ich habe versucht, die Beziehung zwischen Wahrscheinlichkeitsverteilungen ausgehend von der Bernoulli-Verteilung zusammenzufassen
Ich habe versucht, PredNet zu lernen
Ich habe versucht zusammenzufassen, wie man Matplotlib von Python verwendet
Ich habe versucht, eine CSV-Datei mit Python zu berühren
Ich habe versucht, das Spiel in der J League vorherzusagen (Datenanalyse)
Ich habe versucht, SVM zu organisieren.
Ich habe versucht, Soma Cube mit Python zu lösen
Ich habe versucht, PCANet zu implementieren
Ich habe versucht, die Sündenfunktion mit Chainer zu approximieren
Ich habe die Changefinder-Bibliothek ausprobiert!
Ich habe versucht, vier Optimierungsmethoden für neuronale Netze zusammenzufassen
Ich habe versucht, Pytest in die eigentliche Schlacht zu bringen
[Python] Ich habe versucht, die Top 10 der Lidschatten grafisch darzustellen
Ich habe versucht, Linux wieder einzuführen
Ich habe versucht, die Spacha-Informationen von VTuber zu visualisieren
Ich habe versucht, Pylint vorzustellen
Ich habe versucht zusammenzufassen, wie man Pandas von Python benutzt
Ich habe versucht, den negativen Teil von Meros zu löschen
Ich habe versucht, das Problem mit Python Vol.1 zu lösen
Ich habe versucht, die Methode zur Mittelung der Dollarkosten zu simulieren
Ich habe versucht, die nicht negative Matrixfaktorisierung (NMF) zu wiederholen.
Ich habe die Größenänderung von TensorFlow nicht verstanden und sie daher visuell zusammengefasst.