52个Martech关键词：人工智能(2)

深度神经网络（Deep neural networks）：人工神经网络能够处理大量的数据，并根据接收到的训练数据调整计算，不需要任何手动修正就能适应输入数据的能力，允许在成员级别重用相同的模型。产品嵌入（Product embedding）：产品嵌入最初是为了自然语言处理（NLP）的目的而开发的，它通过分析在密切关联或相似上下文中经常使用的其他单词来检测单词的潜在意义。从营销的角度来看，这种方法可以通过分析哪些商品经常一起购买，从而识别出相似的产品。假设A、B产品与C、D、E产品一起频繁购买，那么A和B之间可能存在某种关系——是否属于同一品类，是否为相似的客户购买，是否互为补充。深度协同过滤（Deep collaborative filtering）：协同过滤是传统推荐系统常用的方法之一。其假设为：有相似购买历史的客户在未来很可能会购买相似的产品。动态时间规整（Dynamic time warping）：动态事件规整是一种用于评估两个不同的时间序列/时间序列之间的距离和相似性的技术，它们可能在速度或频率上有所不同。关联规则挖掘（Association rule mining）：用于识别大数据集中变量之间的关系。频繁模式挖掘模型利用FP-Growth和Apriori关联规则挖掘算法来检测在单一交易中经常一起购买的产品集。FPM还遵循持续学习的方法，这意味着模型会随着时间的推移而不断进化，并适应通过广泛支持的数据流传入的新事务。

深度学习深度学习通过使用「神经网络」来模仿人脑，通过重复执行一项任务来学习，每次略有不同，以改善结果。通过这种方式，计算机以与人类基于经验的方式相同的方式「思考」。计算机可以处理大量数据并以比人类更快的速度执行任务，从而使他们能够在更短的时间内解决复杂问题并学习技能。以手写识别为例，在传统的计算机算法中，必须向计算机教授一系列规则来识别每个单独的字符。考虑到笔迹变化的数量，这几乎是一项不可能完成的任务。然而，人类能够毫不费力地破译不同种类的笔迹，因为大脑中的神经网络正在为我们工作。通过向计算机展示大量示例字符并学习如何从这些示例中识别每个字符，可以教计算机以与人脑相同的方式识别手写字母。电脑获取的例子越多，电脑在手写识别方面就会变得越准确。处理此类任务所需的神经网络由软件工程师设计，将包含几个不同的神经元层或决策单元，所以称之为「深度」学习。营销实践中深度学习的一些例子包括：用于购买广告空间的实时竞价 (RTB) 软件；聊天机器人使用自然语言处理 (NLP) 以「人性化」的方式与客户聊天；自动翻译以创建网站的多种不同语言版本；根据另一段文本的样式自动生成副本；语音搜索的语音识别，等等。许多营销自动化解决方案和客户交互工具已经使用一些深度学习应用程序。