👩🏻‍🚒 🙈 🆕 डेटा खोज और विश्लेषण के नए मॉडल। WSDM 2020 Yandex.Tolki टीम की नजर से 👸🏿 🙏🏿 🕉️

अंतर्राष्ट्रीय वैज्ञानिक सम्मेलन उद्योग में रुझानों की निगरानी करने, अग्रणी कंपनियों, विश्वविद्यालयों के उन्नत विकास के बारे में जानने और अपने बारे में बात करने में मदद करते हैं। बेशक, यह केवल उस समय के लिए लागू होता है जब दुनिया एक महामारी के रसातल में डूब नहीं जाती है।

इससे पहले कि सभी देश आत्म-अलगाव में बदल जाएं, हम एक Yandex.Tolki टीम द्वारा WSDM सम्मेलन (उच्चारित ज्ञान) में जाने के लिए एक क्राउडसोर्सिंग ट्यूटोरियल का संचालन करने, अपना लेख प्रस्तुत करने और सहकर्मियों के साथ बातचीत करने में कामयाब रहे।

मेरा नाम अलेक्सी ड्रुटा है, मैं यांडेक्स में क्राउडसोर्सिंग और प्लेटफ़ॉर्म प्रबंधन की दक्षता और विकास विभाग का प्रमुख हूं। कंपनी असतत एल्गोरिदम, नीलामी सिद्धांत, मशीन सीखने, डेटा विश्लेषण और कम्प्यूटेशनल गणित से संबंधित क्षेत्रों में सैद्धांतिक और व्यावहारिक अनुसंधान में लगी हुई है। अपने काम के दौरान मैंने 20 से अधिक वैज्ञानिक लेख प्रकाशित किए, जिनमें सम्मेलन NIPS, KDD, WWW, WSDM, SIGIR और CIKM शामिल हैं। इस पोस्ट में, मैं WSDM पर जाने के बाद अपने छापों के बारे में बताऊंगा, साथ ही सबसे दिलचस्प रिपोर्टों का एक छोटा सा अवलोकन भी दूंगा।

सम्मेलन का पोस्टर

किस तरह का सम्मेलन?

WSDM डेटा माइनिंग और विश्लेषण से संबंधित प्रमुख शोध सम्मेलनों में से एक है। इस साल वह एक तेरहवीं पंक्ति में बनी और टेक्सास के ह्यूस्टन में 3 से 7 फरवरी तक आयोजित की गई।

कुछ आँकड़े। सम्मेलन में लगभग 700 लोगों ने भाग लिया। 615 वैज्ञानिक पत्रों के लेखकों ने सम्मेलन में अपने लेख प्रस्तुत करने में सक्षम होने के लिए आवेदन प्रस्तुत किए। आयोजकों ने क्राउडसोर्सिंग डेटा एकत्र करने पर हमारे काम सहित 91 लेखों का चयन किया। ट्यूटोरियल आयोजित करने के लिए 20 आवेदनों में से, WSDM आयोजकों ने 9 को स्वीकार किया, जिसमें यांडेक्स का आवेदन भी शामिल है।

सम्मेलन का मुख्य भाग पोस्टर सत्र था। ऐसी सभी वैज्ञानिक घटनाओं में, यह कार्य प्रस्तुत करने का मुख्य तरीका है: स्वीकृत लेखों के लेखक अध्ययन के बारे में व्यापक जानकारी के साथ पोस्टर तैयार करते हैं और इच्छुक सहयोगियों ( प्रारूप के बारे में अधिक ) से सवालों के जवाब देते हैं । पोस्टर सत्र के अलावा, प्रतिभागी तीन प्रारूपों में अपनी उपलब्धियों के बारे में बता सकते हैं:

5-मिनट की प्रगति रिपोर्ट (46 प्रतिभागियों को यह अवसर मिला);
रिपोर्ट के मुख्य सार का संक्षिप्त विवरण (यह प्रारूप 45 प्रतिभागियों को पेश किया गया था) के साथ 60 सेकंड के लिए बिजली की बात;
एक उपकरण के काम के प्रदर्शन के साथ डेमो।

सम्मेलन में प्रकाशित कार्यों के बीच हमारी टीम का एक लेख था। यह क्राउडसोर्सिंग के बारे में भी है, लेकिन यह क्राउडसोर्सिंग डेटा के एक अन्य स्रोत के बारे में बात करता है - कैप्चा के माध्यम से एकत्र किया गया।

हमारे लेख

का पोस्टर कैप्चा का उपयोग करके मार्कअप इकट्ठा करने की विधि लंबे समय से कई कंपनियों द्वारा ज्ञात और उपयोग की जाती है। यह इस तरह काम करता है: संदिग्ध उपयोगकर्ताओं को दो चित्रों से पाठ दर्ज करने के लिए आमंत्रित किया जाता है। पहली छवि एक नियंत्रण है, हमारे पास पहले से ही इसके लिए सही उत्तर है। दूसरी छवि में हमारे लिए अज्ञात पाठ है, हम केवल उपयोगकर्ता की मदद से इसे डिक्रिप्ट करना चाहते हैं। यदि कोई व्यक्ति पहले नियंत्रण - छवि से सही पाठ में प्रवेश करता है, तो हम इसे पर्याप्त विश्वसनीय मानते हैं और अपना दूसरा उत्तर लिखते हैं।

यह मार्कअप के लिए एक बहुत ही सुविधाजनक, स्केलेबल और मुफ्त तरीका है। लेकिन एक समस्या है: कैप्चा आमतौर पर संदिग्ध उपयोगकर्ताओं के लिए पेश किया जाता है, जिनमें से कुछ बॉट हैं। ऐसे रोबोट के साथ चित्रों को डिक्रिप्ट करते समय, हम अक्सर समान, लगातार त्रुटियां प्राप्त करते हैं। बॉट के विपरीत, लोग शायद ही कभी एक ही अक्षर बनाते हैं।

आमतौर पर, इस मार्कअप पद्धति का उपयोग करने वाली कंपनियां उस उत्तर पर विचार करती हैं जो अधिकांश उपयोगकर्ताओं ने सही उत्तर दिया था। लेकिन बॉट द्वारा की जा रही समान त्रुटियों की उच्च संभावना को ध्यान में रखते हुए, ऐसी योजना गलत डेटा की ओर ले जाती है।

हमने ML-मॉडल को प्रशिक्षित किया है, जो कैप्चा इनपुट कारकों द्वारा भविष्यवाणी करता है जो उत्तर सबसे सही होगा। लेख की पूरी सामग्री यहां पाई जा सकती है ।

ट्यूटोरियल के बारे में क्या?

सम्मेलन के पहले दिन, हमने Yandex.Tolki पर आधारित एक व्यावहारिक ट्यूटोरियल का आयोजन किया । मेरे सहयोगियों ने पहले से ही हैबर पर हमारी सेवा के बारे में बताया, इसका विस्तृत विवरण यहां दिया गया है । संक्षेप में, तोलोका एक क्राउडसोर्सिंग प्लेटफ़ॉर्म है जो आपको कई कार्यों को पूरा करने में मदद करता है। टॉलोका का उपयोग करके, आप ऑडियो रिकॉर्डिंग को डिक्रिप्ट कर सकते हैं, फोकस समूहों का संचालन कर सकते हैं, मध्यम टिप्पणी कर सकते हैं या मशीन लर्निंग के लिए प्राप्त आंकड़ों का उपयोग करके चित्रों को पहचान सकते हैं।

डब्लूएसडीएम पर ट्यूटोरियल के बीच, केवल हमारा सारा दिन था।

ट्यूटोरियल से पहले

हमने इस बारे में बात की कि कैसे क्राउडसोर्सिंग का उपयोग करके समस्याओं को हल किया जाए। वर्कफ़्लो के आयोजन की इस पद्धति का उपयोग करके डेटा को कुशलतापूर्वक चिह्नित करने के लिए, आपको न केवल लोगों को एक कार्य देने की आवश्यकता है, बल्कि इसे सही ढंग से विघटित करने के लिए, कार्य को सही ढंग से तैयार करें और प्रक्रियाओं को सेट करें, उदाहरण के लिए, गुणवत्ता नियंत्रण। सम्मेलन प्रतिभागियों के साथ साझा की गई कुछ जानकारी हमारे प्रकाशित वीडियो कोर्स में मिल सकती है । इसमें, क्राउडसोर्सिंग का मूल सिद्धांत छवि में वस्तुओं के विभाजन की समस्या को हल करने के उदाहरण के रूप में दिखाया गया है।

ट्यूटोरियल कार्यक्रम

सम्मेलन के लिए, हम विशेष रूप से एक पाइपलाइन के साथ आए, जिसमें वर्गीकरण, इंटरनेट पर डेटा संग्रह, स्वीकृति के बाद और साइड-बाय-साइड तुलना शामिल थे। इसमें चार चरण शामिल थे। ट्यूटोरियल में भाग लेने वालों ने खुद को ऑनलाइन कपड़ों की दुकान के मालिकों के रूप में प्रस्तुत किया। उन्होंने एक चित्र लिया, उस पर कुछ प्रकार के कपड़ों के आइटम (उदाहरण के लिए, जूते) का चयन किया और श्रमिकों को स्टोर के डेटाबेस में सबसे समान उत्पादों को खोजने का काम दिया। तब इन उत्पादों को अन्य कर्मचारियों के साथ समानता से रैंक किया गया था।

पाइपलाइन चरण

, परिणाम दिखाई देने के बाद दिन के अंत में, सभी प्रतिभागियों को प्रतिक्रिया मिली और प्रत्येक परियोजना को अधिक प्रभावी बनाने में मदद करने के लिए तैयार किए गए व्यावहारिक सुझाव।

उदाहरण के लिए, वास्तविक दुनिया में, एपीआई का उपयोग करके उपलब्ध डेटा के आधार पर हमारी पाइपलाइन के कुछ चरणों को स्वचालित किया जा सकता है। लेकिन सम्मेलन में, हमारे लिए यह दिखाना महत्वपूर्ण था कि कैसे हर चरण को क्राउडसोर्सिंग, कुशलतापूर्वक और स्केलेबल तरीके से इस्तेमाल किया जा सकता है।

बेहतर परिणाम प्राप्त करने और कम पैसे खर्च करने के लिए और क्या किया जा सकता है

ट्यूटोरियल के लगभग सभी प्रतिभागियों ने इसे पूरी तरह से पूरा किया, बहुत अंतिम चरणों तक पहुंच गया। उन्होंने सीखा कि क्राउडसोर्सिंग का उपयोग करके ऑनलाइन स्टोर के समान उत्पादों से डेटासेट कैसे इकट्ठा किया जाए। ट्यूटोरियल में हमने जो पाइपलाइन का विश्लेषण किया है, वह काफी सार्वभौमिक है, इसका उपयोग न केवल ऑनलाइन ट्रेडिंग में किया जा सकता है, बल्कि किसी भी उद्योग में भी किया जा सकता है जहां समान वस्तुओं की पेशकश करने की आवश्यकता होती है।

अन्य कंपनियों ने क्या बात की?

प्रकाशित कार्यों की एक पूरी सूची सम्मेलन की वेबसाइट पर पाई जा सकती है।

हमने अनुशंसाकर्ता खोज इंजन और ई-कॉमर्स के क्षेत्र से संबंधित कार्यों की एक बड़ी संख्या को नोट किया। हमारी राय में, अधिकांश टीमों ने नए वैज्ञानिक सिद्धांतों की पेशकश नहीं की, लेकिन उत्पाद में कुछ प्रौद्योगिकियों को पेश करने के परिणाम प्रस्तुत किए। तंत्रिका नेटवर्क पर आधारित समाधानों पर कई रिपोर्टें थीं - लेखकों ने बताया कि इसके लिए कौन से पुस्तकालयों का उपयोग किया गया था।

यहाँ कुछ पोस्टर हैं जिन्होंने टिप्पणियों के साथ हमारा ध्यान आकर्षित किया है:

• क्राउडवर्कर स्ट्रेटेजीज़ इन रेलेवेंस जजमेंट टास्क

पोस्टर पोस्टर क्राउडवर्कर स्ट्रेटेजीज़ इन रेलेवेंस जजमेंट टास्क

इस कार्य ने हमें इसके विषय में रुचि दी। लेखक इस बारे में बात करते हैं कि क्राउडसोर्सिंग में कलाकारों का अनुभव उनके व्यवहार को कैसे प्रभावित करता है: कार्यों पर क्लिक, हॉट कीज़ और लीड टाइम का उपयोग करना।

अधिक और कम अनुभवी निष्पादकों के बीच कार्यों को पूरा करने में लगने वाले समय में अंतर

। प्रयोग के बाद, लेखकों ने पाया कि क्राउडसोर्सिंग प्लेटफॉर्म पर किए गए दो कार्यों के बाद, कम अनुभवी श्रमिकों ने अनुभवी लोगों के साथ तुलनात्मक निष्पादन गति प्राप्त की।

सामान्य निष्कर्ष: यदि कार्यों की गुणवत्ता को नियंत्रित करने के तरीके हैं, तो कलाकारों का अनुभव डेटा की अंतिम गुणवत्ता को बहुत प्रभावित नहीं करता है।

• चौकस संवादी नेटवर्क के माध्यम से मानव गतिशीलता की भविष्यवाणी के लिए चौकस संवैधानिक नेटवर्क

पोस्टर के माध्यम से मानव गतिशीलता की भविष्यवाणी

यह लेख उपयोगकर्ता के मार्ग की भविष्यवाणी करने के बारे में है - जिस बिंदु पर यह भविष्य में होगा। इन पूर्वानुमान विधियों में से अधिकांश जीपीएस निर्देशांक के साथ काम करती हैं, और इस काम के लेखक सामाजिक नेटवर्क में जियोटैग पर केंद्रित हैं।

काम के लेखक चित्र के रूप में उपयोगकर्ता के प्रक्षेपवक्र मानते हैं और उनके लिए फ़िल्टर का उपयोग करते हैं। प्रत्येक चित्र में संकेतक के रूप में क्रमिक पैटर्न होते हैं। लंबी अवधि की प्राथमिकताओं को ध्यान में रखने के लिए इस तंत्रिका नेटवर्क में एक ध्यान तंत्र भी जोड़ा जाता है।

लेखकों ने तीन डेटासेट पर प्रयोग किए और निष्कर्ष निकाला कि उनका मॉडल जीपीएस निर्देशांक वाले मौजूदा मॉडलों की तुलना में बेहतर काम करता है।

• मेट्रिक्स, उपयोगकर्ता मॉडल और संतुष्टि

लेखकों ने अध्ययन किया कि एक खोज इंजन के उपयोगकर्ताओं के व्यवहार का वर्णन करने वाले मैट्रिक्स उनकी संतुष्टि से कैसे संबंधित हैं।

मेट्रिक्स, उपयोगकर्ता मॉडल और संतुष्टि के लिए पोस्टर

उन्होंने पुष्टि की कि उपयोगकर्ता मॉडल के साथ मैट्रिक्स जो विशिष्ट व्यवहार को दर्शाते हैं , वे मैट्रिक्स भी होते हैं जो उपयोगकर्ता संतुष्टि रेटिंग के साथ अच्छी तरह से संबंध रखते हैं।

• ई-कॉमर्स के लिए पदानुक्रमित उपयोगकर्ता प्रोफाइलिंग ई-कॉमर्स की सिफारिश करने वाले सिस्टम के लिए

पोस्टर पोस्टर ई-कॉमर्स के लिए उपयोगकर्ता की रूपरेखा की सिफारिश प्रणाली

के कागज के लेखक विस्तार के विभिन्न स्तरों के लिए सिफारिशों की समस्या को हल करते हैं।

उपयोगकर्ता प्रोफाइलिंग की पदानुक्रमित संरचना जिसमें उन्होंने पिरामिड रिक्रिएंट न्यूरल नेटवर्क्स का उपयोग करने वाले उपयोगकर्ताओं के बहु-स्तरीय हितों का मॉडल प्रस्तुत किया, जिसमें आमतौर पर एक माइक्रोलेयर, तत्वों की एक परत और आवर्तक श्रेणी तंत्रिका नेटवर्क की कई परतें शामिल होती हैं।

इसका परिणाम क्या है?

यह सम्मेलन उन विशेषज्ञों के लिए उपयोगी होगा जो खोज को बेहतर बनाने में लगे हुए हैं।

डब्ल्यूएसडीएम और किसी अन्य सम्मेलन में भाग लेने से पहले, हम आपको कार्यक्रम और स्वीकृत कार्यों का सावधानीपूर्वक अध्ययन करने की सलाह देते हैं - इससे न केवल पोस्टर, कार्यशालाओं और भाषणों के बीच भ्रमित होने में मदद मिलेगी, बल्कि इच्छुक परियोजनाओं के लेखकों के साथ संवाद करने में भी मदद मिलेगी।

और यह मत भूलो कि सारा काम नेटवर्क पर है , और आप स्वयं उनका अध्ययन कर सकते हैं। यह, वैसे, अपने खाली समय का उपयोग करने का एक शानदार तरीका है।

डेटा खोज और विश्लेषण के नए मॉडल। WSDM 2020 Yandex.Tolki टीम की नजर से

किस तरह का सम्मेलन?

ट्यूटोरियल के बारे में क्या?

अन्य कंपनियों ने क्या बात की?

इसका परिणाम क्या है?

More articles: