一直做智能客服这么久， 也测试过很多其他家的智能客服。 比如阿里小蜜，小i机器人，微软小冰等等。 不过那都是抱着试试看的角度， 有时候也想不起以前自己的实际使用场景， 并没有尝试真正需要解决问题。 这次正巧， 在招行上面找在线客服的时候， 就无意中体验了一把智能客服， 而且感觉效果还不错。 几个觉得做得不错的地方： 首先我也担心是不是有客服在线， 就问了是否有人， 秒回一个“嗯嗯， 在呢”。 感觉像真人一样， 其次， 当我正在输入问题的时候， 因为输入有一些时间， 他等了一会就自动蹦出一个： 您好，请详细说明您的问…

本次命题： 数值预测 上一篇文章我们的小题目是使用LSTM预测字符顺序的下一个字符。 命题虽然简单， 可是实际上应用范围也很广。 比如输入法里面， 就一定会用到相关的技术。 只不过不一定是LSTM， 肯定也不止一维特征。这次这个命题相对来说， 比较实际一些：从历史预测监控数据预测即将来临的监控指标的数值。 比如下图就是本站在友盟上面的监控数据。 最右边的虚线部分就是友盟进行的预测的数值： 本文代码特别鸣谢：https://blog.csdn.net/aliceyangxi1987/article/details/7…

想解决的问题 一个通用的模型, 希望能适用所有的日志. 比如常见的System Event Log. 尝试从这些大量的日志之中找到异常\不规则的地方 主要架构 分为3个模型: Log Key Anomaly Detection model 主要是根据生成的Log Key, 使用LSTM进行判断下一个Log Key是否是异常信息. 主要是使用了NLP的思想. 个人感觉这一块是DeepLog最有启发的一个模型. Workflows 主要是能识别出并行的日志. 但是具体怎么用, 没有(在Youtube视频上面)详细说明 …

引言： 因为在工作之中接触到NER，并且可以有需要NER的地方。在此总结一些相关资料与自己的理解。 什么是命名实体识别 此段原文： http://blog.csdn.net/dvstream/article/details/17784293 命名实体识别(Named Entity Recognition, NER)，又称作“专名识别”，主要任务是识别出文本中的人名、地名等专有名称和有意义的时间、日期等数量短语并加以归类。对很多文本挖掘任务来说，命名实体识别系统是重要的组成部分：一方面，命名实体识别可以帮助识别未登录…

现在网上有一些预先训练好的Word2Vec模型， 比如Glove, Google-News以及我最喜欢的FastText，都有各自使用大数据训练出来的Word2Vec模型。 根据不同的业务， 也可以自己搜集语料库训练Word2Vec. 关于如何使用Keras加上预训练好的W2V模型， 具体可以参考官网教程：Using pre-trained word embeddings in a Keras model   篇幅比较长， 写得“太详细”了。 不过核心就在下面一行代码： （Example Code on …

0. TL;DR 本文前半段主要参考：http://www.ce.yildiz.edu.tr/personal/banud/file/1201/latent-semantic-indexing-fast-track-tutorial.pdf 这里只介绍过程，不介绍原理，只做简单分析。 后半段将过一下gensim的simserver是如何调用LSI找到相似文档的。 本文为原创，转载需要注明出处： http://www.flyml.net/2016/11/11/lsi-doc-sim-gensim-source-cod…

0. 引言 上周五在公司使用gensim的word2vec实验了一次“文档相似性”计算。匹配出来的结果惨不忍睹，可以用“天马行空”来形容。这就是对word2vec不了解的情况下做调包侠的下场。。。 下面是笔者对word2vec的一些初步了解与效果反思。 本文为原创。 转载需要注明出处：http://www.flyml.net/2016/11/07/word2vec-basic-understanding/ 1. 为什么学习w2v? 简单的说，我们在声音与图像领域，深度学习都取得了令人瞩目的成就，其中一个重要的原因，…