首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Salesforce 收购 PredictionIO 加强自身机器学习和数据挖掘能力

    Salesforce 正式对外宣布收购 PredictionIO,用于增强自己在机器学习和大数据分析方面的能力。 Prediction IO 于 500 Satrtups 毕业,在 2014年 拿到了 250 万美元的种子轮融资,投资人包括投资了 VMWare 的 Azure Capital,StartX 基金等。 其 CEO 兼创始人 Simon Chen 喜欢把自己的产品描述为 “MySQL of Prediction”。他认为,机器学习和数据挖掘对每个公司都很重要,但自己来做,开发成本太高,数据专家也非常难找。 于是,Prediction IO 定位做一款开源的机器学习服务器,开发工程师和数据分析师可以使用它构建智能应用程序、基于已有数据来预测用户行为,并且还可以根据预测功能延生出不同的服务,比如个性化推荐、发现内容等。 由于他们是开源的系统,所以有很大的灵活性,可以让开发者自己去定制,往往只需要简单的几个步骤就可以搞定。 举例来说,开发者只要连接他们的服务器,然后导入用户行为数据,比如 John 买了咖啡、Mary 买了橙汁,再加入简单的 “一行代码”,就可以运用 Prediction IO 来进行多项预测。当你想要对 John 进行饮品推荐时,服务器就会自动返回五条 John 可能喜欢的饮品结果。更贴心的是,如果不希望总是给 John 推荐他热爱的摩卡、而想把店里的新品加进来,也同样只需要简单的设定就可以实现。 Prediction IO 其实是 Salesforce 的第 36 起收购案。Salesforce 已经在大数据分析和机器学习做了很多收购动作,包括最近的 MinHash,2014年 花 3 亿 9000 万美元收购的客户关系管理平台 RelateIQ(现在已是 salesforceiq 业务的核心),还有今年早些时候的智能日历公司 Tempo AI。 Salesforce 对外发言人表示,目前已于 Prediction IO 签署了最终收购协议。在收购完成后,Simon Chen 以及其他联合创始人都将加入 Salesforce,该公司仍旧会为第三方开发商服务。

    02

    局部敏感哈希(Locality-Sensitive Hashing, LSH)

    局部敏感哈希示意图(from: Piotr Indyk) LSH的基本思想是:将原始数据空间中的两个相邻数据点通过相同的映射或投影变换(projection)后,这两个数据点在新的数据空间中仍然相邻的概率很大,而不相邻的数据点被映射到同一个桶的概率很小。也就是说,如果我们对原始数据进行一些hash映射后,我们希望原先相邻的两个数据能够被hash到相同的桶内,具有相同的桶号。对原始数据集合中所有的数据都进行hash映射后,我们就得到了一个hash table,这些原始数据集被分散到了hash table的桶内,每个桶会落入一些原始数据,属于同一个桶内的数据就有很大可能是相邻的,当然也存在不相邻的数据被hash到了同一个桶内。因此,如果我们能够找到这样一些hash functions,使得经过它们的哈希映射变换后,原始空间中相邻的数据落入相同的桶内的话,那么我们在该数据集合中进行近邻查找就变得容易了,我们只需要将查询数据进行哈希映射得到其桶号,然后取出该桶号对应桶内的所有数据,再进行线性匹配即可查找到与查询数据相邻的数据。换句话说,我们通过hash function映射变换操作,将原始数据集合分成了多个子集合,而每个子集合中的数据间是相邻的且该子集合中的元素个数较小,因此将一个在超大集合内查找相邻元素的问题转化为了在一个很小的集合内查找相邻元素的问题,显然计算量下降了很多。 那具有怎样特点的hash functions才能够使得原本相邻的两个数据点经过hash变换后会落入相同的桶内?这些hash function需要满足以下两个条件: 1)如果d(x,y) ≤ d1, 则h(x) = h(y)的概率至少为p1; 2)如果d(x,y) ≥ d2, 则h(x) = h(y)的概率至多为p2; 其中d(x,y)表示x和y之间的距离,d1 < d2, h(x)和h(y)分别表示对x和y进行hash变换。 满足以上两个条件的hash functions称为(d1,d2,p1,p2)-sensitive。而通过一个或多个(d1,d2,p1,p2)-sensitive的hash function对原始数据集合进行hashing生成一个或多个hash table的过程称为Locality-sensitive Hashing。 使用LSH进行对海量数据建立索引(Hash table)并通过索引来进行近似最近邻查找的过程如下: 1. 离线建立索引 (1)选取满足(d1,d2,p1,p2)-sensitive的LSH hash functions; (2)根据对查找结果的准确率(即相邻的数据被查找到的概率)确定hash table的个数L,每个table内的hash functions的个数K,以及跟LSH hash function自身有关的参数; (3)将所有数据经过LSH hash function哈希到相应的桶内,构成了一个或多个hash table; 2. 在线查找 (1)将查询数据经过LSH hash function哈希得到相应的桶号; (2)将桶号中对应的数据取出;(为了保证查找速度,通常只需要取出前2L个数据即可); (3)计算查询数据与这2L个数据之间的相似度或距离,返回最近邻的数据; LSH在线查找时间由两个部分组成: (1)通过LSH hash functions计算hash值(桶号)的时间;(2)将查询数据与桶内的数据进行比较计算的时间。因此,LSH的查找时间至少是一个sublinear时间。为什么是“至少”?因为我们可以通过对桶内的属于建立索引来加快匹配速度,这时第(2)部分的耗时就从O(N)变成了O(logN)或O(1)(取决于采用的索引方法)。 LSH为我们提供了一种在海量的高维数据集中查找与查询数据点(query data point)近似最相邻的某个或某些数据点。需要注意的是,LSH并不能保证一定能够查找到与query data point最相邻的数据,而是减少需要匹配的数据点个数的同时保证查找到最近邻的数据点的概率很大。 二、LSH的应用 LSH的应用场景很多,凡是需要进行大量数据之间的相似度(或距离)计算的地方都可以使用LSH来加快查找匹配速度,下面列举一些应用: (1)查找网络上的重复网页 互联网上由于各式各样的原因(例如转载、抄袭等)会存在很多重复的网页,因此为了提高搜索引擎的检索质量或避免重复建立索引,需要查找出重复的网页,以便进行一些处理。其大致的过程如下:将互联网的文档用一个集合或词袋向量来表征,然后通过一些hash运算来判断两篇文档之间的相似度,常用的有minhash+LSH、simhash。 (2)查找相似新闻网页或文章 与查找重复网页类似,可以通过hash的方法来判断两篇新闻网页或文章是否相

    03

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭
      领券