芯耀
2898
分享嘉賓｜王緒剛 歐拉智能創(chuàng)始人&CEO
對(duì)話式分析讓用戶可以通過自然語言交互方式獲取數(shù)據(jù)洞察，能夠有效降低數(shù)據(jù)分析門檻，提升數(shù)據(jù)開發(fā)效率，讓數(shù)據(jù)分析結(jié)果更加貼合業(yè)務(wù)語言，促進(jìn)企業(yè)內(nèi)部數(shù)據(jù)價(jià)值釋放。大模型帶來的能力突破，進(jìn)一步讓對(duì)話式分析成為企業(yè)用戶關(guān)注的熱點(diǎn)數(shù)據(jù)應(yīng)用。
本次分享將圍繞圖模型與大語言模型相互結(jié)合，在數(shù)據(jù)分析場景下的應(yīng)用與實(shí)踐展開。
此次分享想和大家探討的是如何將大型的圖模型與大語言模型相結(jié)合，以怎樣構(gòu)建數(shù)據(jù)分析輔助系統(tǒng)Copilot。
在大語言模型尚未被廣泛采納的2019年，我們團(tuán)隊(duì)就已經(jīng)開始研究并開發(fā)基于問答方式的數(shù)據(jù)分析產(chǎn)品。盡管當(dāng)時(shí)我們應(yīng)用的是稍小型的語言模型以及確定性語言模型，但我們更加關(guān)注的是數(shù)據(jù)分析的深度，而非僅僅是用戶界面的交互。因此，我們始終堅(jiān)持將圖模型作為我們整體數(shù)據(jù)計(jì)算和儲(chǔ)存的核心底層技術(shù)。
基于該背景，接下來我會(huì)從三個(gè)方面詳細(xì)進(jìn)行闡述：
第一，數(shù)據(jù)分析目前遇到了哪些困境，大語言模型可以為我們帶來哪些機(jī)遇。
第二，圖模型作為整個(gè)數(shù)據(jù)處理引擎和數(shù)據(jù)底層架構(gòu)有哪些優(yōu)勢(shì)，為什么與大語言模型之間具有強(qiáng)大的互補(bǔ)性。
第三，與大家共享一些實(shí)踐案例，以及聊聊對(duì)未來應(yīng)用方向的探索和嘗試。
01、數(shù)據(jù)分析困境與大模型的機(jī)遇
首先，我們需要在整體上理解數(shù)據(jù)分析。從最早的報(bào)表分析到自助式BI，再到現(xiàn)在的增強(qiáng)式BI，數(shù)據(jù)分析在企業(yè)內(nèi)部扮演著至關(guān)重要的角色，它主要服務(wù)于企業(yè)或機(jī)構(gòu)的整體決策流程。無論是企業(yè)內(nèi)部數(shù)據(jù)還是外部數(shù)據(jù)，都需要利用數(shù)據(jù)進(jìn)行決策。
然而，在實(shí)際的數(shù)據(jù)分析過程中，中國與美國、歐洲國家之間存在顯著差異，在西方科技背景較濃厚的國家，他們的數(shù)據(jù)分析落地實(shí)踐案例已經(jīng)超出我們當(dāng)前的水平多達(dá)5-10年，在數(shù)據(jù)分析科學(xué)素養(yǎng)和決策流程管理的整體使用覆蓋率都遠(yuǎn)超過我們國內(nèi)水平。
究其原因，主要是因?yàn)樵趪鴥?nèi)的企業(yè)環(huán)境中，缺乏的是既熟知企業(yè)內(nèi)部業(yè)務(wù)知識(shí)，又掌握數(shù)據(jù)結(jié)構(gòu)且具備數(shù)據(jù)建模能力的人才，這實(shí)際上就是阻礙企業(yè)內(nèi)部數(shù)據(jù)轉(zhuǎn)變?yōu)閼?yīng)用或價(jià)值的一個(gè)頗為重要的瓶頸。在此基礎(chǔ)上，我們的整個(gè)的業(yè)務(wù)團(tuán)隊(duì)，其能力實(shí)際上無法理解，或者只是了解一些技術(shù)術(shù)語，只能提供關(guān)于業(yè)務(wù)問題的基本描繪。
而技術(shù)團(tuán)隊(duì)其實(shí)大部分并未具備業(yè)務(wù)知識(shí)，同樣也缺乏對(duì)業(yè)務(wù)整體需求的理解，他們需要與技術(shù)、業(yè)務(wù)團(tuán)隊(duì)反復(fù)溝通需求，不斷地撰寫程序，或者編寫一些腳本、SQL，甚至源代碼來調(diào)整數(shù)據(jù)模型。也就是說，我們目前缺乏一種能力，將商業(yè)邏輯和技術(shù)邏輯銜接起來，進(jìn)而使得原本具備巨大價(jià)值的數(shù)據(jù)得以充分發(fā)揮其價(jià)值。
另一方面，企業(yè)內(nèi)部擁有豐富的知識(shí)儲(chǔ)備，這些并非如同自然語言一樣可隨意表達(dá)，甚至存在部分專屬的獨(dú)有設(shè)定。那么如何將企業(yè)內(nèi)部的結(jié)構(gòu)化知識(shí)進(jìn)行推廣，以便為大語言模型提供理解情境的能力？同時(shí)，未來或許將會(huì)出現(xiàn)類似于人腦思考的對(duì)話模式，原因何在呢？
實(shí)際上，在我們觀察企業(yè)內(nèi)部時(shí)，并非所有人都對(duì)業(yè)務(wù)問題都有所關(guān)注。許多人可能并未深入了解企業(yè)內(nèi)部的業(yè)務(wù)運(yùn)作，盡管他們?cè)谏虡I(yè)策略上頗有想法，但在業(yè)務(wù)專業(yè)化程度上卻未必能達(dá)到相應(yīng)的高度。因此，我們期待我們的系統(tǒng)能夠具備像人一樣的思考能力，能夠?yàn)樗麄兲峁┩评砗吐?lián)想的功能以解決問題。
如此一來，我們才能夠真正實(shí)現(xiàn)所謂的對(duì)話式數(shù)據(jù)分析，而我們選擇使用圖模型的原因也在于洞察到了圖架構(gòu)在實(shí)際應(yīng)用中的優(yōu)勢(shì)。
02、圖模型的優(yōu)勢(shì)與互補(bǔ)性
2.1 大型圖模型的優(yōu)勢(shì)
眾所周知，圖模型由節(jié)點(diǎn)與邊構(gòu)成，采用實(shí)體與關(guān)系的表述方式用于描述我們所接觸的各種事物，這一處理方式突破了傳統(tǒng)表格的表達(dá)局限，將點(diǎn)與邊提升至第一級(jí)別，使得所有計(jì)算轉(zhuǎn)變?yōu)榛趫D的游走式計(jì)算，這種方式相對(duì)來說計(jì)算與表達(dá)更為直接，更貼近人類自然語言的主謂賓定狀表達(dá)方式。
因此，圖模型在計(jì)算過程中利用空間來替換時(shí)間，從而避免了傳統(tǒng)關(guān)系數(shù)據(jù)庫中跨表校驗(yàn)分析緩慢以及模型固化的問題，保證了其即時(shí)性與靈活性，更滿足了人機(jī)對(duì)話的需求。同時(shí)，圖模型本身的語義對(duì)話表達(dá)效果較好，采用三元組的表示方式來表示一切多元異構(gòu)數(shù)據(jù)，可以被視為一種語義化的數(shù)據(jù)編織。在此過程中，圖模型還為企業(yè)內(nèi)部的數(shù)據(jù)治理提出了一定標(biāo)準(zhǔn)，使得業(yè)務(wù)人員能夠直接進(jìn)行解讀與訪問。
事實(shí)上，當(dāng)我們?cè)跇?gòu)建特定場景或多個(gè)場景的全過程中，可以邀請(qǐng)業(yè)務(wù)人員參與其中，由于業(yè)務(wù)人員對(duì)整個(gè)建模過程有較深理解，采用語義知識(shí)圖結(jié)構(gòu)更便于理解，因此，這種知識(shí)結(jié)構(gòu)可以自動(dòng)生成知識(shí)內(nèi)容進(jìn)行推廣，因?yàn)樗旧砭褪且环N貼近語義化的表達(dá)方式。
近來一些論文中其實(shí)有探討采用這種圖形結(jié)構(gòu)來生成自然語言的Prompt，這種語義豐富的Prompt在我們能夠精確地定位問題實(shí)體和路徑時(shí)，便可以將更多的先驗(yàn)知識(shí)轉(zhuǎn)移至接近當(dāng)前問題的求解階段，從而在大語言模型解答問題時(shí)，可以獲得更豐富的知識(shí)儲(chǔ)備，由此帶來更好效果。
另一個(gè)重要的觀點(diǎn)是，圖形本身擅長表達(dá)概率。例如，貝葉斯網(wǎng)絡(luò)和馬爾可夫矩陣模型都是典型的圖形結(jié)構(gòu)，許多數(shù)據(jù)挖掘模型也可以通過圖形來表示。當(dāng)圖形結(jié)構(gòu)涵蓋到神經(jīng)網(wǎng)絡(luò)中的GNN深度等，便可解決許多預(yù)測(cè)性問題，并呈現(xiàn)出語義上的可解釋性，因而可以解答可能性問題。這使得在結(jié)構(gòu)化數(shù)據(jù)上進(jìn)行數(shù)據(jù)挖掘，以及回答可能性問題成為可能，而這正是大量其他數(shù)據(jù)模型所不具備的優(yōu)勢(shì)。
2.2 常見圖模型解讀
下面，我們簡單分享一下我們常見的建模過程中涉及的一些圖模型。
第一，知識(shí)圖譜，這也是我們最常見的。知識(shí)圖譜以靜態(tài)的概念和關(guān)系來描述實(shí)體語義，它可以看作是一種屬性圖的表達(dá)式，我們企此內(nèi)部大量的主數(shù)據(jù)都可以通過這種知識(shí)圖譜進(jìn)行表達(dá)。
第二，事件（行為）型網(wǎng)絡(luò)結(jié)構(gòu)。這是一種使用主謂賓結(jié)構(gòu)來描述發(fā)生的事件的方式，它可以表達(dá)我們的許多事務(wù)性操作。我們常見的許多表結(jié)構(gòu)實(shí)際上是知識(shí)圖譜結(jié)構(gòu)和事件行為網(wǎng)絡(luò)結(jié)構(gòu)的結(jié)合體，這兩種結(jié)構(gòu)的結(jié)合使得我們可以將許多表結(jié)構(gòu)進(jìn)行相應(yīng)的映射。
第三，特殊類型網(wǎng)絡(luò)，比如網(wǎng)絡(luò)結(jié)構(gòu)。這是一種原生的top圖譜結(jié)構(gòu)，例如數(shù)字的top網(wǎng)絡(luò)，人的社交關(guān)系、投資關(guān)系、資金的交易關(guān)系，以及物理的拓?fù)渚W(wǎng)絡(luò)，如服務(wù)器的網(wǎng)絡(luò)，這些都是我們常見的原始網(wǎng)絡(luò)結(jié)構(gòu)。
第四，其他類型網(wǎng)絡(luò)，如狀態(tài)序列圖和概率性網(wǎng)絡(luò)。狀態(tài)序列圖是指每個(gè)狀態(tài)隨時(shí)間遷移而改變的網(wǎng)絡(luò)，概率網(wǎng)絡(luò)是指，像貝葉斯網(wǎng)絡(luò)那樣，其先驗(yàn)條件可以與后續(xù)知識(shí)以及后續(xù)結(jié)果之間產(chǎn)生一定的概率關(guān)系，這便構(gòu)成了一個(gè)概率性網(wǎng)絡(luò)。
我們常見的許多數(shù)據(jù)表達(dá)通常是多種網(wǎng)絡(luò)的融合，從而構(gòu)成了我們現(xiàn)在的建模方法。因此我們需要將傳統(tǒng)的表結(jié)構(gòu)抽象為圖形結(jié)構(gòu)，在此過程中，會(huì)涉及許多建模規(guī)范，如實(shí)體選擇原則、 實(shí)體選擇原則、 實(shí)體選擇原則等各種關(guān)聯(lián)性原則。
03、圖模型的典型實(shí)踐與應(yīng)用模式
接下來會(huì)重點(diǎn)分享一些典型的實(shí)踐及常見的應(yīng)用模式，我選了在營銷這個(gè)大領(lǐng)域下兩個(gè)具有代表性的應(yīng)用場景，分別是商品研究與用戶研究。前者是研究商品應(yīng)該如何進(jìn)行設(shè)計(jì)，后者主要關(guān)注如何進(jìn)行私域用戶的運(yùn)營，并進(jìn)行用戶畫像的研究。
3.1 圖模型基于商品研究場景下的應(yīng)用
在先前的討論中，我們明確提出要建立一個(gè)如上圖所示的結(jié)構(gòu)，實(shí)際上就是將我們傳統(tǒng)在關(guān)聯(lián)數(shù)據(jù)庫的結(jié)構(gòu)細(xì)化至最微小的顆粒度。以此方式，我們將從這些最微小的顆粒度中抽離出實(shí)體關(guān)系的實(shí)證模型，也許我們可以稱之為恢復(fù)數(shù)據(jù)原始狀態(tài)，所有的計(jì)算都是基于這樣的一個(gè)最微小顆粒的數(shù)據(jù)實(shí)時(shí)進(jìn)行。
因此，我們有一套工具根據(jù)上述設(shè)計(jì)原則，將表結(jié)構(gòu)抽象成一個(gè)圖形結(jié)構(gòu)。例如，我們?cè)诖颂幩吹降膱D形結(jié)構(gòu)實(shí)際上是對(duì)一個(gè)商品及其用戶反饋需求反饋的一系列描述的知識(shí)結(jié)構(gòu)。
在一些簡單的問答式場景下，我們可以采取單次推進(jìn)的模式，那么這個(gè)數(shù)據(jù)流的整個(gè)過程就是：首先用戶會(huì)發(fā)出他的問題，它以類似自然語言的形式呈現(xiàn)，這個(gè)問題會(huì)回歸到圖結(jié)構(gòu)中，我們會(huì)把其中的某些實(shí)體識(shí)別出來，然后依據(jù)現(xiàn)有的實(shí)體構(gòu)成再結(jié)合能獲取到的實(shí)體及其上下文包含的關(guān)系作為一個(gè)推進(jìn)器拋給大模型。
接著，大模型會(huì)把相應(yīng)的工作轉(zhuǎn)化為一個(gè)路徑，這意味著從我的起點(diǎn)、終點(diǎn)以及可能行駛的路線變?yōu)橐粋€(gè)路徑。隨后，這個(gè)路徑被丟給了圖形、模型，由圖模型進(jìn)行計(jì)算，最終返回給相應(yīng)的應(yīng)用程序，最終完成了這樣一個(gè)簡單的交互邏輯。
在此過程中，我們可以將這個(gè)語言轉(zhuǎn)換為類SQL的圖形表達(dá)。我們還發(fā)現(xiàn)，扁平和邊際結(jié)構(gòu)的效率相對(duì)較高。同時(shí)，我們還進(jìn)行了與寬表結(jié)構(gòu)的對(duì)比測(cè)試，發(fā)現(xiàn)在識(shí)別的準(zhǔn)確度分析的準(zhǔn)確率方面，采用圖形結(jié)構(gòu)相對(duì)于寬表結(jié)構(gòu)，識(shí)別精度和準(zhǔn)確率可提高近20%，這主要是因?yàn)閳D形結(jié)構(gòu)給予了更多的上下文信息，賦予了更大的語義空間。
3.2 圖模型基于用戶研究場景下的應(yīng)用
顯然，剛才我們所探討的僅僅是一種簡單的Prompt形式，然而，在其他實(shí)際應(yīng)用環(huán)境中，例如私域用戶的系列數(shù)據(jù)，包括其日常營銷行為數(shù)據(jù)、業(yè)務(wù)主數(shù)據(jù)以及用戶畫像數(shù)據(jù)等，它們共同構(gòu)成了一個(gè)龐大且繁雜的網(wǎng)絡(luò)。
在面對(duì)大型且錯(cuò)綜復(fù)雜的網(wǎng)絡(luò)時(shí)，使用簡單的Prompt或僅僅依賴于簡單的回復(fù)來解決如此復(fù)雜的業(yè)務(wù)問題，通常需要經(jīng)歷非常多的環(huán)節(jié)。此類方式往往會(huì)產(chǎn)生大量漂移和無關(guān)信息，很難滿足需求。
因此，我們采取了大語言模型與思維鏈處理模式相結(jié)合的解決方案，即在整個(gè)過程中采用多輪問答的形式，一步步地獲取更精確的數(shù)據(jù)結(jié)果。首先，用戶會(huì)提出問題，該問題將依據(jù)當(dāng)前的提示模板交給大語言模型處理。在此過程中，大語言模型會(huì)將問題分解為多個(gè)子任務(wù)，分別調(diào)用相應(yīng)的工具，這些工具將問題抽象成圖表中的檢索路徑生成操作。而整個(gè)圖模型還存儲(chǔ)了企業(yè)內(nèi)部的業(yè)務(wù)知識(shí)，能準(zhǔn)確地反饋給大語言模型，然后進(jìn)行下一步操作。
當(dāng)然如果此過程中出現(xiàn)token過長的問題，我們也要設(shè)法解決。最終，模型會(huì)生成相應(yīng)的分析結(jié)果，并結(jié)合我們的數(shù)據(jù)分析解析模板，生成可解釋的內(nèi)容。
在之前的案例中，經(jīng)過測(cè)試，在剔除掉一些過于通用且過長的問題且token有效的情況下，我們可以獲得超過77%的搜問答數(shù)據(jù)分析準(zhǔn)確率，這已經(jīng)是一個(gè)不錯(cuò)的結(jié)果。
3.3 典型應(yīng)用落地場景
接下來讓我們具體了解一下我們實(shí)際應(yīng)用中一些產(chǎn)品的落地情況。
第一，實(shí)時(shí)提問，可視化呈現(xiàn)分析結(jié)果。在該應(yīng)用場景下，整個(gè)形態(tài)是問答式，或者說是以搜索框?yàn)楹诵牡慕缑妫憧梢蕴岢鱿胍私獾男畔?，例如將某一類用戶畫像與其購買商品的分布情況進(jìn)行關(guān)聯(lián)分析，系統(tǒng)即可實(shí)時(shí)生成針對(duì)該問題的可視化報(bào)告，同時(shí)也允許你用自然語言替代常見的數(shù)據(jù)庫查詢，來獲取特定屬性的用戶列表，以快速實(shí)現(xiàn)信息的提取。
第二， 并行任務(wù)計(jì)算。在剛才提到的思維鏈條較為復(fù)雜的工作環(huán)境下，由于其鏈條長度較長，可能需要消耗較大的思考時(shí)間。此時(shí)，我們可以將該任務(wù)轉(zhuǎn)化為并行計(jì)算的模式。例如，可以同時(shí)提出多個(gè)問題，系統(tǒng)在后臺(tái)將對(duì)每個(gè)問題獨(dú)立進(jìn)行計(jì)算處理，待計(jì)算完畢后，直接將計(jì)算結(jié)果返回，實(shí)現(xiàn)并行操作。
第三，實(shí)現(xiàn)從自然語言到圖路徑。提問環(huán)節(jié)可以將問題轉(zhuǎn)變?yōu)榭梢暬耐緩健ｋm然看上去不像自然語言一樣自然流暢，但如果我們?cè)谄渲屑尤胍恍┲髦^賓定狀補(bǔ)等語法元素，或者說是輔助的謂詞數(shù)據(jù)，那么它的表現(xiàn)就更貼近于人類自然語言了。這種表達(dá)方式可以幫助你在這上面進(jìn)行相應(yīng)的調(diào)整和修改，從而得出更為精確的答案。此外，分析結(jié)果頁面還提供了自然語言的圖表解釋和解析，以便生成更為詳細(xì)的分析報(bào)告。
第四， 定義指標(biāo)的計(jì)算語義。至于指標(biāo)的部分，它其實(shí)是一個(gè)非常重要且具有主觀性的業(yè)務(wù)支持工具。然而，由于定義指標(biāo)的方式多種多樣，同一個(gè)指標(biāo)可能會(huì)通過不同的語義計(jì)算方法和解釋方式來定義。因此，在我們龐大的指標(biāo)庫中，甚至存在一些難以用自然語言清晰地進(jìn)行描述的指標(biāo)，它們往往是一種計(jì)算公式。但是在圖結(jié)構(gòu)中，這些指標(biāo)可以非常直觀地用面向?qū)ο蟮姆绞竭M(jìn)行表示，采用路徑的方式進(jìn)行呈現(xiàn)，這樣我們就可以輕松地為每一個(gè)指標(biāo)賦予定義，實(shí)現(xiàn)直接的搜索功能。
在這個(gè)流程中，我們所指定的各類指標(biāo)無需預(yù)先進(jìn)行計(jì)算，僅需在提問環(huán)節(jié)提及該指標(biāo)，通過路徑的方式、語義路徑的方式將其展現(xiàn)出來，并將其保存在欲命名的語義中。當(dāng)需要使用該指標(biāo)時(shí)，只需通過此前命名的語義將其提取出來，即可按照預(yù)先設(shè)定好的路徑進(jìn)行計(jì)算，無需額外的預(yù)計(jì)算和存儲(chǔ)工作。
以上幾個(gè)場景，都是充分利用了大語言模型的自然表達(dá)形式以及圖模型的實(shí)時(shí)計(jì)算和靈活性，以滿足我們?cè)趯?duì)話式數(shù)據(jù)分析場景下的需求。
3.4 圖模型+大語言模型在對(duì)話式數(shù)據(jù)分析中的應(yīng)用
而在對(duì)話式數(shù)據(jù)分析中，圖模型主要適用于靈活性強(qiáng)且主題不明確的場景，具體包括五大類場景。
第一類是數(shù)據(jù)透明化。例如，為某個(gè)大型集團(tuán)提供的供應(yīng)鏈分析，由于供應(yīng)鏈本身可能涉及多個(gè)業(yè)務(wù)部門，且每個(gè)業(yè)務(wù)部門的制造和生產(chǎn)環(huán)節(jié)可能擁有各自的供應(yīng)鏈供應(yīng)商，因此，在供應(yīng)鏈環(huán)境中存在著巨大的風(fēng)險(xiǎn)，無論是采購環(huán)節(jié)還是物流環(huán)節(jié)都可能面臨無法預(yù)料的波動(dòng)。企業(yè)內(nèi)部決策層需要全面掌握整體數(shù)據(jù)狀況。傳統(tǒng)的方法只能提供一些綜合報(bào)表，這些報(bào)表無法顯示原始數(shù)據(jù)，也無法準(zhǔn)確判斷數(shù)據(jù)的真實(shí)性。
但是，如果一旦采用數(shù)據(jù)問答的模式，高管們僅需進(jìn)行簡單的提問，便可從不同角度對(duì)供應(yīng)鏈的健康狀況進(jìn)行驗(yàn)證或測(cè)試。在某些異常情況下，他們還能回溯所有數(shù)據(jù)源，查看最詳細(xì)的明細(xì)數(shù)據(jù)如何被計(jì)算，從而獲取全面的管理透明度。簡言之，通過這種方式，我們可以利用數(shù)據(jù)進(jìn)行有效的管理透明化。
第二類是靈活取數(shù)。對(duì)于一些大型公司而言，集團(tuán)的數(shù)據(jù)往往由數(shù)據(jù)中臺(tái)進(jìn)行管理，因此，數(shù)據(jù)中臺(tái)工作人員的能力往往成為數(shù)據(jù)決策的瓶頸。而一線團(tuán)隊(duì)，如子公司、事業(yè)部乃至門店，都有著自身獨(dú)特的數(shù)據(jù)分析需求。面向一線員工，如何建立一套靈活自選的取數(shù)和數(shù)據(jù)分析平臺(tái)，這也是對(duì)話式數(shù)據(jù)分析中的一個(gè)重要應(yīng)用場景。
第三類是實(shí)時(shí)數(shù)據(jù)探索。這種情況主要適用于情報(bào)分析、公安監(jiān)控以及監(jiān)管等行業(yè)，他們需要在海量的數(shù)據(jù)中抽絲剝繭，尋找新的線索并據(jù)此進(jìn)行后續(xù)決策。在此環(huán)節(jié)中，往往無法預(yù)知下一步的工作細(xì)節(jié)，因此必須通過逐步探究的方式一點(diǎn)點(diǎn)深入探索，因此對(duì)于實(shí)時(shí)數(shù)據(jù)實(shí)時(shí)建模的能力有著極高的要求。在這種情況下，使用圖神經(jīng)網(wǎng)絡(luò)語言模型將是一種極為有效的解決方案。
第四類是策略性分析。這一類主要以營銷類型的策略分析為主，由于營銷領(lǐng)域的外部環(huán)境存在眾多不確定性，如消費(fèi)點(diǎn)位、媒體用戶數(shù)量、文案內(nèi)容等，同時(shí)營銷折扣、優(yōu)惠等也存在很多可能性。這些不確定因素需要根據(jù)用戶反饋與實(shí)際營銷過程作出調(diào)整，以實(shí)現(xiàn)整體優(yōu)化。在整個(gè)調(diào)整過程中，需要持續(xù)地進(jìn)行策略性調(diào)整，從而需要實(shí)時(shí)獲取數(shù)據(jù)結(jié)果以便進(jìn)行相應(yīng)調(diào)整。
第五類是可解釋的預(yù)測(cè)。這也是圖神經(jīng)網(wǎng)絡(luò)最大的優(yōu)勢(shì)之一，即能將圖模型與深度模型相結(jié)合進(jìn)行推薦或預(yù)測(cè)，使分析結(jié)果具備語義解釋性，便于后續(xù)執(zhí)行人員理解和解釋，進(jìn)而提供更具說服力的決策依據(jù)。
以上就是本次基于大語言模型和圖模型在對(duì)話數(shù)據(jù)分析應(yīng)用場景下的結(jié)合與實(shí)踐應(yīng)用講解。
王緒剛，北京歐拉認(rèn)知智能科技有限公司創(chuàng)始人，擁有人工智能方向博士學(xué)位，國內(nèi)人工智能與圖計(jì)算方面資深科學(xué)家，“圖計(jì)算”概念的提出者和最早專利的發(fā)明人，目前擁有超過10多項(xiàng)圖計(jì)算方面的發(fā)明專利。曾擔(dān)任中科院軟件所助理研究員、客座副研究員、中國移動(dòng)卓望集團(tuán)數(shù)據(jù)平臺(tái)研發(fā)總監(jiān)等職務(wù)。帶領(lǐng)國內(nèi)一流的數(shù)據(jù)科學(xué)家團(tuán)隊(duì)，為多家世界500強(qiáng)企業(yè)數(shù)字化轉(zhuǎn)型提供服務(wù)，通過人工智能與圖計(jì)算技術(shù)幫助企業(yè)實(shí)現(xiàn)數(shù)字智能化轉(zhuǎn)型。
下載ECAD模型
