用AI削弱跟单不确定性，深挖超兔CRM背后算法

信息论创始人克劳德·艾尔伍德·香农提出，信息是对不确定性的消除。香农开创了用数学描述信息的先河，让信息变得可测。

香农提出的信息熵成为如今机器学习的一大理论基础。

超兔CRM一直致力于研究用AI打单，本质上是用机器学习处理信息，通过算法解析数据，最终帮助销售削弱跟单过程中的不确定性。下面，与您分享一下超兔CRM正在使用的算法。纯干货！两大主题：1.LSTM 详解；2.传统机器学习与深度学习对比。

LSTM 详解

1.RNN（循环神经网络）：在介绍LSTM之前，先介绍RNN

a) 普通神经网络：

图为：神经网络的结构图

神经网络可以当做是能够拟合任意函数的黑盒子，只要训练数据足够，给定特定的x，就能得到希望的y。

举一个情感分析的例子，输入一句话，判断这句话的的情感是正向的还是负向的。

其中x就是输入层，如上图有3个输入，比如为 “我”，“喜欢”，“你”。经过隐藏层的计算，输出两个值：正向的概率和负向的概率。（在XTool中的客户意向，会设置三个输出）。

那么既然普通的神经网络（如上）已经可以完成意向判断的功能，为什么还要循环神经网络呢？

他们都只能单独的去处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。

比如，当我们在理解一句话意思时，孤立的理解这句话的每个词是不够的，我们需要处理这些词连接起来的整个序列

所以为了解决一些这样类似的问题，能够更好的处理序列的信息，就有了RNN：

b) 循环神经网络：

图为：循环神经网络结构图

但看上图左边部分可能有点晕，右边为左边按序列展开的样式：

还拿上边情感分析为例：

以此往后推。

这样当输入完这句话时，最后的结果会把整个句子的信息都带上。

但是这样还不完美，为什么呢？上边的举的例子“我”，“喜欢”，“你”只有三个词，但在实际运用中一句话可能会很长，几十个词。

如果把每个词的信息都记录下来，数据会很大，而且最前边的词对最后边的词的意思可能也没影响。还有就是从算法上，反向求导时，可能会造成梯度消失或梯度爆炸。

这里简单介绍一下梯度问题：机器学习都是靠梯度来找最优模型的，梯度越小，模型越好。

为什么梯度会消失或爆炸呢，如果一句话很长，系数很小的话（比如0.002），一直相乘，会越来越接近0，最后消失，如果系数很大，一直相乘结果会越来越大，造成梯度爆炸。

2.LSTM：

图为：长短期记忆网

从上图和RNN对比发现，每个隐藏层内又做了许多的运算

1）第1个运算为忘记门：

就是决定什么信息应该被神经元遗忘。它会输出 “0”或“1”，“1”表示“完全保留这个”，“0”表示“完全遗忘这个”。

2）第2个就是输入门

就是决定我们要在神经元细胞中保存什么信息

3）然后就是输出门

决定哪一部分的神经元状态需要被输出

3.LSTM在思想上是与RNN相通的，不同之处都在算法上。

传统机器学习与深度学习对比

一、理论对比：

首先，深度学习是机器学习的一种

1. 数据：

a) 随着数据的增加，相比机器学习深度学习的性能会越来越好。

b) 深度学习不需要对数据处理，会自动学习提取特征，而机器学习需要先对数据进行 格式转化，数据清洗，压缩纬度等操作。

2. 规则：

a) 具有特定规则的数据，使用机器学习比较好。一些简单的场景没必要使用深度学习

3. 硬件

a) 深度学习需要进行大量的矩阵计算，对硬件要求比较高。

4. 执行时间

a) 深度学习训练模型需要的时间较长。

二、实践对比：

分别使用贝叶斯算法及深度学习算法进行文本分类预测：

图为：神经网络与贝叶斯算法对意向分析对比图

实例1：

分析：从结果可以看出，不同的数据顺序，预测的结果会不同。

实例2：

分析：结果可以看出，神经网络对消极的判断的概率更高一些。

实例3：

分析：结果可以看出，神经网络对积极的判断的概率更高一些。

如上，“LSTM 详解”“传统机器学习与深度学习对比”，非专业人士理解起来或许还有一定难度。不过，各位老板与管理者不用着急，以上纯干货理论知识，超兔已经将理论逐步落地实践，成为超兔CRM系统中的一部分功能，有「AI潜客意向判断」、「猛犸微助」，更多好功能持续开发中。