一、商務(wù)智能（BI），商業(yè)智慧（BI）的發(fā)展方向：
BI新走向之一：融合加強，演變成門戶化
BI新走向之二：日趨“傻瓜”，體現(xiàn)人性化
BI新走向之三：移動BI將成為新戰(zhàn)場
BI新走向之四：在云中部署B(yǎng)I，成為主流方向
BI新走向之五：SaaSBI日漸雄起，受中小企業(yè)青睞
BI新走向之六：可視化技術(shù)呈亮點，交互式分析助推BI
BI新走向之七：外部信息將整合到內(nèi)部BI中，內(nèi)外網(wǎng)信息并聯(lián)互動
二、智能的搜索引擎研究方向：
查詢聚類（Query clustering）
查詢意圖識別（Query intent recognition）
查詢推薦（Query suggestion）
查詢改寫（Query rewriting），具體包括：
查詢同義變換（Query paraphrasing）
查詢擴展（Query expansion）
查詢縮略（Query reduction）
查詢糾錯（Query error correction）
學(xué)習(xí)排序（Learning to rank）
個性化搜索（Personalized search）
命名實體挖掘（Named entity mining）
本體知識庫構(gòu)建（Ontology construction）
三、商務(wù)智能（BI），人工智能（AI）的研究方向：
1.基于大規(guī)模機器學(xué)習(xí)的排序算法(Machine Learning to Rank)
排序算法是搜索技術(shù)的核心之一，基于機器學(xué)習(xí)排序算法將機器學(xué)習(xí)技術(shù)應(yīng)用于排序問題。研究內(nèi)容包括但不限于：
排序算法的分布式訓(xùn)練；
排序算法的在線學(xué)習(xí)(online learning)；
排序算法的在線預(yù)測速度提升；
多目標(biāo)優(yōu)化的排序算法。
2.海量特征設(shè)計(large scale feature engineering)
特征設(shè)計在機器學(xué)習(xí)系統(tǒng)中扮演著至關(guān)重要的作用。但當(dāng)面臨海量數(shù)據(jù)時，往往特征數(shù)量也會是海量的，這時如何做好特征選擇、特征組合等工作，與小規(guī)模時相比會復(fù)雜很多。研究內(nèi)容包括但不限于：
海量特征自動選擇；
海量特征自動組合。
3.高效訓(xùn)練樣本獲取(Label Complexity Reduction)
機器學(xué)習(xí)算法要求大量的高質(zhì)量的標(biāo)注樣本，然而標(biāo)注樣本耗時耗力，并且在樣本到達(dá)一定量后，對樣本量的需求增幅遠(yuǎn)大于訓(xùn)練效果提升，如何高效地獲取良好樣本是一個挑戰(zhàn)。海量互聯(lián)網(wǎng)數(shù)據(jù)下的LTR的樣本獲取、多語言學(xué)習(xí)任務(wù)背景下標(biāo)注樣本的獲取、網(wǎng)頁/網(wǎng)站/query等的分類或聚類所需樣本等是高效樣本獲取方法的應(yīng)用場景。本方向的問題包括但不限于：
通過主動學(xué)習(xí)(Active learning)加速標(biāo)注流程。
通過遷移學(xué)習(xí)/多任務(wù)學(xué)習(xí)(Transfer learning/multi-task learning) 利用其他領(lǐng)域的知識和標(biāo)注樣本來提升另一領(lǐng)域的學(xué)習(xí)效果。
通過半監(jiān)督學(xué)習(xí)(Semi-supervised learning)，考慮如何利用少量的標(biāo)注樣本和大量的未標(biāo)注樣本進(jìn)行分類和聚類，相關(guān)問題有半監(jiān)督學(xué)習(xí)的算法改進(jìn)、半監(jiān)督學(xué)習(xí)的在線學(xué)習(xí)(Online-learning)或者增量學(xué)習(xí)(incremental-learning)算法等。
4.規(guī)則系統(tǒng)與機器學(xué)習(xí)系統(tǒng)的整合 (Integration of rule-based system and learning-based system)
規(guī)則系統(tǒng)和學(xué)習(xí)系統(tǒng)一直是人工智能實現(xiàn)方法的兩個分支，二者各有優(yōu)劣。規(guī)則系統(tǒng)更擅長高頻和訓(xùn)練數(shù)據(jù)稀疏部分，而學(xué)習(xí)系統(tǒng)的泛化能力更出色。如何結(jié)合兩者的優(yōu)勢，規(guī)避各自的缺點，是我們希望探討的地方。研究內(nèi)容只要與兩個系統(tǒng)的整合相關(guān)即可。
5.海量數(shù)據(jù)的主題模型(Topic-model on large scale data)
主題模型主要使用大規(guī)模的文檔—詞匯共現(xiàn)(co-occurrence) 矩陣，例如1億*100萬的矩陣來建模文檔和詞匯間的潛在聯(lián)系。研究內(nèi)容包括但不限于：
主題模型的建模改進(jìn)；
主題模型的在線學(xué)習(xí)(Online learning)或者增量學(xué)習(xí)(incremental learning)；
主題模型訓(xùn)練過程的大規(guī)模并行優(yōu)化；
主題模型的應(yīng)用。
6.推薦系統(tǒng)(recommender system)
推薦系統(tǒng)有著廣泛的應(yīng)用，如搜索引擎和電子商務(wù)網(wǎng)站以各種方式使用著推薦系統(tǒng)。在百度的應(yīng)用即包括在搜索、知道、音樂、貼吧等用戶產(chǎn)品內(nèi)及產(chǎn)品間的推薦，也包括面向搜索請求推薦廣告、面向廣告商推薦關(guān)鍵詞等。不同應(yīng)用場景的應(yīng)用目標(biāo)和數(shù)據(jù)量存在較大差異，對于推薦算法本身也存在不同要求。在本領(lǐng)域的研究包括但不限于：
推薦系統(tǒng)的設(shè)計；
推薦算法的改進(jìn)；
推薦效果的評估；
個性化推薦。
7.點擊模型(Click Model)
百度擁有中國搜索引擎市場上最豐富的用戶數(shù)據(jù)，點擊模型將極大提升用戶對搜索的需求滿意度。研究內(nèi)容包括但不限于：
用戶行為數(shù)據(jù)清洗；
用戶行為分析和建模；
用戶行為用于評測。
8.網(wǎng)頁多分類學(xué)習(xí)
互聯(lián)網(wǎng)中網(wǎng)頁資源可以按照不同的維度劃分成不同的類型，而且一個網(wǎng)頁可能兼有多個維度的類型標(biāo)記。該方向的主要目標(biāo)就是：如何自動高效地為網(wǎng)頁進(jìn)行分類標(biāo)記。研究內(nèi)容包括但不限于：
網(wǎng)頁分類的機器學(xué)習(xí)模型研究：二分類/多分類/多標(biāo)記學(xué)習(xí)/無監(jiān)督學(xué)習(xí)等；
主題/資源/結(jié)構(gòu)分類特征挖掘；
模型的跨語言通用性研究。
9.基于海量網(wǎng)頁的結(jié)構(gòu)化信息自動抽取研究
WEB結(jié)構(gòu)化信息抽取就是將網(wǎng)頁中的非結(jié)構(gòu)化數(shù)據(jù)按照一定的需求抽取轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)。研究內(nèi)容包括但不限于：
結(jié)構(gòu)化信息自動抽取方法改進(jìn)；
抽取規(guī)則生成表示優(yōu)化。
10.觀點挖掘、情感分析(opinion mining and sentiment analysis)
觀點挖掘、情感分析主要是對帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理的過程。研究內(nèi)容包括但不限于：
情感分析的算法改進(jìn)；
情感分析在大規(guī)模數(shù)據(jù)(博客、微博、新聞評論、商品評論)中的應(yīng)用；
情感分析在推薦中的應(yīng)用。
11.基于機器學(xué)習(xí)的反作弊研究(fraud detection based on machine learning)
基于機器學(xué)習(xí)的反作弊研究內(nèi)容包括但不限于：
自動訓(xùn)練數(shù)據(jù)標(biāo)注；
作弊特征分析；
在線實時作弊檢測；
離線批量數(shù)據(jù)評估。
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.ezxoed.cn/
本文標(biāo)題：商務(wù)智能的發(fā)展——未來的研究方向
相關(guān)文章
