❶ ar技術的優點和缺點
ar技術的優點和缺點
ar技術的優點和缺點，AR可以利用已有的真實環境，為用戶提供一種復合的視覺效果：用戶觀察到的真實世界同計算機產生的虛擬場景相融合。ar技術的優點和缺點。
優點：
1.AR技術成本不高昂。一套完整的VR設備接近十萬元美金，而已一個簡單的AR設備就一部手機而已。
2.AR技術研發門檻低。AR公司Blippbuilder發放了AR設計平台，它提供沒有編碼經驗的用戶創建AR技術的體驗。
3.AR技術運用范圍廣闊。軍事、銷售、娛樂、教育、技術、傳媒、旅遊、醫療等八個領域，都是AR增強現實的發展方向。
4.AR技術為商業提供便捷的銷售方式。可口可樂、星巴克、宜家等商家以AR技術做出一系列具有互動性的廣告並拉近消費者的距離，AR技術將創新傳統廣告行業。
缺點
現階段而言，AR技術僅僅處於起步階段，要在日常生活中應用還有很多局限性，而且還有很多未知的領域等待探索。同時目前AR的應用仍停留在優化消費體驗方面，期待AR技術能早日成為我們日常生活中的一部分。
AR增強現實發展趨勢
AR技術可能會成為人們生活中不可或缺的一部分，比如蘋果CEO庫克就很重視AR技術的發展，在發布的iPhoneX中就有人臉識別技術，而這項技術的研發可以說是蘋果公司在AR領域的鋪墊，可能在之後的新品發布中，你會發現有強大的AR技術的應用。
增強現實眼鏡目前是比較大型的，而在未來眼鏡可能會越來越小巧，就像太陽鏡一樣，能夠讓你在任何地方都輕松使用增強現實應用，亦或者以後可能會取代手機，實現社交、辦公、導航等應用。
增強現實技術在未來的發展中會滲透到生活中的各個領域，比如設計師可以利用AR共享視角，辦公室白領可以在桌子上、牆壁上甚至是地板上做PPT，廚師在做飯前可以先看一遍做菜步驟，醫生在手術前看到虛擬演示，游戲也不再局限於屏幕都會帶入真實世界。因此我們有理由相信AR技術能夠改變人們的生活方式。
我們知道， 新款蘋果8系列以上、華為Mate 20 Pro等智能手機等手機支持AR，可以實現精確的測量距離。就連最近很火的支付寶掃五福也有AR鏡頭，那麼什麼是AR呢？AR即Augmented Reality（增強現實），是一種實時地計算攝影機影像的位置及角度並加上相應圖像的技術，將虛擬的信息應用到真實世界，被人類感官所感知，從而達到超越現實的感官體驗。
AR技術綜合了計算機模擬技術、計算機圖形學和多媒體技術、人工智慧技術、計算機網路技術、並行處理技術和多感測器 等電子技術，模擬人的視覺、昕覺和觸覺等感官功能，使得用戶從感官效果上沉浸在由計算機創造的虛擬環境中。而新興的增強現實技術則是要藉助顯示技術、交互技術、感測技術和計算機圖形與多媒體技術將計算機生成的虛擬環境與用戶周圍的現實環境融為一體， 使用戶從感官效果上確信虛擬環境是其周閣真實環境的組成部分。
ar技術AR可以利用已有的真實環境，為用戶提供一種復合的視覺效果：用戶觀察到的真實世界同計算機產生的虛擬場景相融合。當真實場景移動時，虛擬物體也隨之發生相同變化，就好像這些虛擬物體是真的存在於真實場景中一樣。 理想的'情況下，虛擬物體還可以向用戶和真實物體以一種自然的方式進行交丑。開發增強現實系統的難點在於如何實時、准確的確定攝像機相對真實世界的位置，使得虛擬場景能夠與真實世界無縫融合。
年火遍全球的《Pokemon Go》，正是這一應用的最佳代表。游戲在定位玩家的地理位置後，系統設定分布在該地域的妖怪品種以及出現幾率，玩家跟著導航就能找到各種口袋妖怪，並且游戲中還運用AR技術，讓玩家捕獲妖怪的扔球動作原汁原味再現於現實。
其基本原理是通過 GPS 獲取用戶的地理位置，然後從某些數據源（比如 wiki，google）等處獲取該位置附近物體（如周圍的餐館，銀行，學校等）的 POI 信息，再通過移動設備的電子指南針和加速度感測器獲取用戶手持設備的方向和傾斜角度，通過這些信息建立目標物體在現實場景中的平面基準（相當於marker），之後坐標變換顯示等的原理與 Marker-Based AR 類似。
這種 AR 技術利用設備的 GPS 功能及感測器來實現，擺脫了應用對 Marker 的依賴，用戶體驗方面要比 Marker-Based AR 更好，而且由於不用實時識別 Marker 姿態和計算特徵點，性能方面也好於 Marker-Based AR和Marker-Less AR，因此對比 Marker-Based AR 和 Marker-Less AR，LBS-Based AR 可以更好的應用到移動設備上。
北京四度科技張工介紹說：AR增強現實技術是藉助計算機圖形技術和可視化技術產生現實中不存在的虛擬對象，並通過感測技術將虛擬對象准確 「放置」 在真實環境中，藉助顯示設備將虛擬對象和真實環境融為一體，使用戶感覺不到場景中哪些是真實的，哪些是虛擬的，而認為自己看到的是一個真實的場景。 由此可見增強現實的本質特點就是：虛實融合，也就是將計算機產生的虛擬環境與真實環境在視覺上融為一體。
近幾年來，提到AR相信大家都不陌生，AR被應用於很多場景中、另外，AR廠家還研發了各種AR設備，一度受到人們的追捧、喜愛。關於AR的詳細解釋估計說出來的比少,雖然AR是這幾年的熱門科技，但是大家對於AR還是模稜兩可的概念，今天我就為大家說一下AR是什麼。
那麼AR技術到底是什麼呢？
AR是增強現實（AR 技術，Augmented Reality的簡稱），是在虛擬現實的基礎上發展起來的新技術，也被稱之為混合現實。是通過計算機系統提供的信息增加用戶對現實世界感知的技術，將虛擬的信息應用到真實世界，並將計算機生成的虛擬物體、場景或系統提示信息疊加到真實場景中，從而實現對現實的增強。
更通俗一點的說法是，它是一種全新的人機交互技術，利用攝像頭，感測器，實時計算和匹配技術，將真實的環境和虛擬的物體實時地疊加到同一個畫面或空間而同時存在。
用戶可以通過虛擬現實系統感受到在客觀物理世界中所經歷的「身臨其境」的逼真性，還能突破空間、時間以及其它客觀限制，感受到在真實世界中無法親身經歷的體驗。
基於AR技術的應用都符合一個基本的套路，就是通過先進的AR技術讓平面圖片或卡牌「立體動起來」。用戶只需要下載相應的專用軟體，利用使用移動設備掃描AR卡，即可出現角色的立體圖像。AR技術可廣泛應用到軍事、醫療、建築、教育、工程、影視、娛樂等領域。
❷ 學習ar技術的方法
1、對於沒有代碼基礎的設計師、產品經理或者藝術行業從業者等想從事AR／VR行業，建議可以學習Adobe Aero、蘋果的Reality Composer等來快速製作AR內容。
2、對於有編程基礎的Unity開發者，推薦直接使用AR Foundation、Vuforia、EasyAR、HoloLens來進行開發。
3、對於有編程基礎的原生開發者（Android or iOS），可以使用ARKit和ARCore來進行開發。
4、對於有一些語言基礎的計算機專業學生，推薦直接學習C#、Unity開發，然後使用AR Foundation、Vuforia等快速開發出AR應用；或者有Swift或者Java基礎的，直接使用Apple 的ARkit或Android 的ARCore進行開發，快速上手實現AR應用。
5、對於沒有編程基礎的大一二計算機相關學生，想要快速開發出AR應用，學習路線是掌握C#語言，然後學習Unity的一些基礎編輯操作，之後使用封裝好的AR Foundation、Vuforia等快速上手開發一個AR應用。
❸ AR技術面臨的問題有哪些
1、硬體限制
ARKit和ARCore都寄希望於硬體廠商未來發布的手機上，這就意味著，有大量的消費者將被排除在外，除非他們升級自己的硬體。目前谷歌和蘋果的解決方案都不是跨平台的，所以開發人員不得不從蘋果切到安卓，或者從安卓跳到蘋果，以滿足大多數用戶的需要。
2、你仍需要一個應用程序
ARKit和ARCore都集成到設備的操作系統中，這使得它們與那些只在系統上一層的第三方軟體相比，擁有更強大的性能。但是，包含內容和體驗的代碼仍然需要通過應用程序來下載。事實上，開發一個App只是冰山一角 ，如何把App推銷出去才是更艱巨的任務。
3、沒人想體驗功能單一的產品
為了讓自己的應用看起來值得下載，開發人員應避免任何功能單一的體驗。就算你能創作出一段世界上最酷炫的動畫，但在反復觀看後，它也會變得很無聊。
想要做出好的內容，你可能需要問自己這些問題:用戶在第一秒可以做什麼?在第一分鍾能做什麼?在第一天和第一周呢?體驗不能一成不變，你得確保它們能不斷升級。除了讓內容更有深度外，解決這個問題的唯一辦法，就是提供一個動態的解決方案，每次都有所不同。
以《TheMachines》為例，它是通過多人協作這個方案，讓游戲即使沒有新的內容也依然值得玩。
4、昂貴的3D
預算通常是「夢想殺手」，對AR和MR而言，大部分預算被用來創造3D的東西。客戶端要麼沒有真正可用的3D設備，要麼沒有可用的格式。如果要將電影/VFX解析度或CAD製造文件，轉換成可以在消費者移動手機里使用的3D內容，這是一項極大的工作量。而且，所需的3D數量也是個問題。
正如前面提到的，內容的豐富性很重要。例如，演示一張咖啡桌很簡單，但如果某個品牌要展示數百種產品，又該怎麼辦呢?IKEAPlace App就是一個很好的例子，它集合了大量的3D對象，據說目前已經有超過2000個品目可以AR展示。
5、位置的限制
有一個原因可以解釋為什麼這么多的ARKitDemos是在開闊的地方演示的。由於ARKit和ARCore無法檢測或解決，使得碰撞和遮擋成為一個重大的問題。細心對比的話，我們會發現，一個在廣闊空間看起來很棒的演示，如果在咖啡廳或在課堂上演示，看起來就像被破壞了。
當位置發揮作用時，就有更多的因素需要考慮進來，這會很不一樣。我們不得不面對快餐桌尺寸，零售商理想的客流量，主題公園的照明條件改變甚至地標上的磁性干擾等等。
6、避免體驗疲勞
針對手機，經過多年的原型化和用戶測試，我們知道，不同的用戶類別對疲勞有不同的程度或閾值。例如，年幼的孩子很難跟大人一樣，雙手握住手機還能同時在屏幕上操作;而成年人購物時通常只有一隻手可以操作手機。創造AR體驗時，要避免造成類似的不便。另外，疲勞也會影響硬體，因為AR需要一個打開的攝像頭，這樣的話，會非常快地消耗電池，並使設備變熱。
7、社交化
當匹配其他技術時，AR是最強大的。用戶自然想分享他們的AR體驗，因為它是將3D內容放入真實世界的唯一技術。除了自拍，Snapchat的世界鏡頭也使用AR來創建可定製和可共享的場景。然而，社交僅僅是一個開始:實時數據可以使AR變得及時，GPS和信標可以幫助它定位，而且能滿足各種企業需求讓AR變更實用。
8、與消費者溝通
這可能是最容易被忽視以及最困難的部分。消費者想知道為什麼一個應用程序值得下載，而且在他們下載之前要對它的工作方式感到滿意。傳達這個信息可能會發生在不同的媒體或者社交平台上，如果是在線下商店的話，這個一般是店員的責任。一旦用戶下載了應用程序，就必須指導他們如何使用，還有，如果出現了不工作的情況，該怎麼辦。
9、不要忘記數字對象「觸碰」的物理部分
在開放空間或空桌子上，AR可以是一個非常有吸引力的體驗。在真實世界中放置一個數字的(digital)玩偶是有趣的，而如果你還可以讓這個玩偶走到一輛玩具車前，打開車門，然後開著車走了，它就更有趣了。一隻在草地上奔跑的虛擬寵物很可愛，但當它會去尋找一個真正的網球，或者知道怎麼把網球拍進去球門時，它變得更有趣。
在Chalk AR應用程序中，你可以和另一個人在AR上畫出真實的世界。這種能與物理世界的交互的特性，使AR應用程序的與其他的完全不同。
10、一切都剛開始
去年Pokemon Go的流行，向全世界普及了AR的概念。今年ARKit和ARCore將為許多消費者提供第一個真正的AR體驗。雖然Vuforia這樣的現有AR平台，已經與ARCore和ARKit集成，以增強它們的功能，但這些技術只觸及了表面。隨著新進步的繼續出現，開發人員面臨的挑戰會越來越大。
只有當我們認為自己已經搞定了移動AR，頭戴式AR才能變得成熟，並重新顛覆整個行業。
❹ 論淘寶搜索推薦演算法排序機制及2021年搜索的方向。
[寫在前面]淘寶搜索引擎至今反復多次，搜索順序也從最初的統計模型升級到機械學習模型，到2010年為止沒有標簽沒有基礎標簽，隨著計算能力的提高，2010年後開始挖掘用戶的基礎標簽，從3年到2013年開始使用大規模的機械學習和實時特徵
但你有沒有想過為什麼2016-2017年的兩年是各種各樣的黑搜索盛行的一年，為什麼今天幾乎消失了？
最根本的原因是從統計演算法模型到機械學習模型的轉型期。
說白了，這時不收割就沒有收割的機會。因為統計模型即將退出歷史舞台。
因此，各路大神各自擴大了統計模型演算法中的影響因素。統計演算法無論在哪裡，點擊率和坑產都很容易搜索。
那兩年成了中小賣家的狂歡盛宴，很多大神的煙火也是旺盛的。
今天推薦演算法的第三代使用後，加上疫情的影響進行了鮮明的比較，真的很感慨。
淘寶真的沒有流量了嗎？電器商務真的做不到嗎？還是大家的思維沒有改變，停留在2016-2017年的黑搜宴會上不想醒來？
2017年、2018年、2019年是淘寶推薦演算法反復最快的3年，每年的演算法升級都不同，整體上到2019年9月為止統計演算法模型的影響因素還很大，從2019年下半年開始第三代推薦演算法後，全面的真正意義進入了以機械學習模型為中心的推薦演算法時代。
各路大神也無法驗證，加上百年疫情的影響，很多大神的隱蔽布也泄露了。
基本上以統計模型為主，訓練基本上沒有聲音，典型的是坑產游戲。
如果現在還能看到的話，基本上可以判斷他不是在訓練，而是在製作印刷用紙，一定會推薦使用資源，資源是多麼安全。
刷子的生產增加真的沒有效果嗎？不是我以前的文章說:不是不行，而是從坑產的角度思考，而是從改變競爭環境的角度思考，用補充書改變競爭環境，改變場地，有新的天地，任何手段都要為商業本質服務。
正文
概述統計演算法模型時代。
統計模型時代搜索引擎的排名是最原始的排名思考，如果你的類別不錯，關鍵詞比較正確，就能得到很大的流量，當時產品需求少，只要上下架的優化就能使產品上升。
到2016年為止沒有坑產游戲嗎？黑色搜索的效果不好嗎？其實，什麼時候坑產是最核心的機密，誰來教大家，什麼時候教的最多的是類別優化，關鍵詞優化，大部分優化都圍繞關鍵詞，電器商的老人想起了你什麼時候得到關鍵詞的人得到了世界。
有人告訴我做坑產，關鍵詞找到生意也來了。什麼時候知道坑產也沒有人給你刷子，大規模的補充書也出現在黑色搜索盛行的時期。
為什麼關鍵詞者得天下？
搜索關鍵詞是用戶目前意圖最直觀的表達，也是用戶表達意圖最直接的方式。
搜索的用戶購物意圖最強，成交意願也最強，現在搜索也是轉化率最高的流量來源。
統計時代關鍵詞背後直接依賴的是類別商品，只要製作類別和關鍵詞分詞即可，哪個時代最出現的黑馬通常是類別機會、關鍵詞機會、黑科學技術機會。
最基本的是商業本質，什麼時候產品需求少，沒有很多現在的類別，自己找類別，現在想想什麼概念。
記得什麼時候類別錯了，搜索也可以來。如果你的商品點擊反饋好的話，錯誤的類別沒有什麼影響，現在試試吧
搜索類是搜索的基礎。
什麼時候能稱霸，背後有商業邏輯，用戶行為數據好就行了。
但無論如何發展檢索都離不開關鍵詞。例如，上述關鍵詞是用戶表達意圖的最直接的方法，是當前消費者的檢索行為和購買行為發生了根本性的變化。
檢索依然根據消費者的行為數據和關鍵詞來判斷需求，這就是機械學習模型時代。
機器學習模式時代-推薦搜索演算法。
現在的商品體積和消費者購物行為的豐富性，統計演算法不能滿足檢索的本質要求。
所以現在搜索引擎開始發展深度學習模式更精細的建模-推薦搜索演算法，搜索排名更智能。
在此重點討論推薦檢索演算法，
2017、2018、2019是推薦檢索演算法真正意義發展的3年，3年3個系統版本每年更換一次，很多電器商人都不知道頭腦。
推薦檢索演算法和統計演算法模型的最大區別在於，Query的處理能力和演算法有召回機制
簡單表示推薦演算法的程序:
1:對檢索關鍵詞進行分詞、重寫的處理進行類別預判
2:根據用戶信息，即用戶以前的行為數據記錄和預測的性別、年齡、購買力、店鋪喜好、品牌喜好、實時行動作等信息存檔
3:根據檢索用戶信息，根據檢索用戶以前的行為數據檢索引擎和預測的性別、年齡、購買力、店鋪喜好、品牌喜好、實時行動作為等信息存檔3:根據檢索用戶信息的檢索用戶信息
也就是說，在第一關召回階段基本上與統計模型時代的最佳化途徑相同，核心是標題分詞和類別，現在最大的區別是根據用戶信息推薦最佳化，這是標簽和正確人群標簽圖像最佳化的基本意義。
為什麼現在一直在談論標簽，談論人標簽圖像？入池實際上是為了匹配真正的消費者用戶信息，通過直通車測試來判斷人群也是為了通過性別、年齡和購買力來優化匹配真正的消費者。
召回機制:
通過構建子單元索引方式加快商品檢索，不必經歷平台上億級的所有商品。該索引是搜索引擎中的倒置索引，利用倒置索引初始篩選商品的過程是召回階段。
在這個階段，不會進行復雜的計算，主要是根據現在的搜索條件進行商品候選集的快速圈定。
之後再進行粗排和精排，計算的復雜程度越來越高，計算的商品集合逐漸減少，最後完成整個排序過程。
主要召迴路徑分為
1:語言召回
2:向量召回
這些都是商業秘密不方便的說明，有興趣的是學習我們的在線會員課程標簽重疊游戲6是基於語言和向量召回的基礎邏輯實戰落地的課程。
下一階段進入粗行列，粗行列受這些因素的影響:
粗行列作為召回後的第一個門檻，希望用戶體驗以時間低的模型快速排序和篩選商品，第一關系將過濾到不適合本次檢索詞要求的商品
為了實現這個目的，首先要明確影響粗排名得分的因素
1:類別匹配得分和文本匹配得分，
2:商品信息質量(商品發布時間、商品等級、商品等級)
3:商品組合得分
點擊得分
交易得分賣方服務商業得分
在粗排列框架下，系統粗排列演算法根據商品類別的預測得分進行得分
點擊得分交易得分
交易得分賣方服務商業得分粗排列框架下，系統粗排列的大排列
最後是精排，檢索順序的主要目標是高相關性、高個性化的正確性。
每個用戶的喜好不同，系統會根據每個用戶的Query結合用戶信息進行召回。然後通過粗排後，商品數量從萬級下降到千級。
千級商品經排後直接向用戶展示，搜索過程中商品集合的思考和具體變化如下圖
前面的召回、粗排主要解決主題相關性，通過主題相關性的限制，首先縮小商品集合和我們的在線會員課程標簽
精排階段系是真正系統推薦演算法發揮真正威力時，應根據用戶行為反饋迅速進行機械學習建模，判斷用戶真實性、准確性和可持續控制性。
為什麼現在的游戲和黑色技術暫時出現，核心是系統演算法模型機械學習模型，系統分析用戶有問題，不正確，不穩定，維持性差，可以迅速調整。
也就是說，即使發現脆弱性，研究快速有效的方法，系統也會根據你精排階段的用戶行為迅速分析學習建模，發現模型有問題，你的玩法就結束了。
猜機器學習建模的速度有多快？
想玩黑色的東西早點死去吧。
現在使用的檢索順序模型主要是
CTR模型和CVR模型，具體模型過於復雜也不需要深入，但影響這兩種模型的最基本因素是用戶行為數據
真的不能假的，假的也不能假的演算法模型越來越智能化，演算法越來越強，只有回歸商業本質才能真正解決演算法模型背後真正想解決的問題，演算法基於商業邏輯。
2021年搜索向哪個方向發生變化:
2020年電器商人和螞蟻是不平凡的一年。2020年也是螞蟻從神壇上拉下來的元年，現在螞蟻有各種各樣的黑色。
基於中小賣家的走勢無疑是阿里必須正面面對的現實。
如何讓中小賣家迴流或留在平台上，搜索該怎麼做？
檢索一定是基於三方的考慮，買方、賣方和平台本身，現在市場上又開始提倡坑產搜索邏輯，坑產妖風又開始，根據推薦搜索演算法邏輯來談這個問題。
為什麼坑產思維是不死的小強，每次危機都會跳出來。
以統計模型為中心的坑產時代是淘寶從2003年到2015年一直使用的搜索演算法模型長達13年。
同時也是淘寶和中國網分紅的野蠻生長期，統計演算法模式讓太多電商賺錢。除了
之外，十年的奴役思維已經習慣了，在電器商圈，坑產游戲一定有人相信，其他人不一定被認可。所以，我們夾著尾巴發展的原因，時間真的可以證明一切，不用多說，做自己。
習慣性思維加上特殊時期的賺錢蝴蝶效應，使許多電器商人活在歷史的長夢中。正確地說，統計演算法模型的真正廢除是在2019年下半年。
同學說坑產永遠有效，我也這么想。
永遠有效的是起爆模型坑產權重驅動和統計演算法模型中的坑產排名不同。
起爆模型的坑產要素永遠有效，這永遠不會改變。
但是，如何有效地加上這個起爆模型的坑產權重，並不像模仿購物的意圖那麼簡單。
坑產游戲在2021年絕對不行。淘寶不會把現在的演算法系統換成15年前的。
基於三方利益:
購買者體驗
賣方利益
平台的發展
搜索肯定會向高精度和高控制性發展。以標簽為中心的用戶標簽圖像仍然是影響流量精度的基本因素。
必須從標簽的角度考慮和優化種子組的圖像。
通過種子組的圖像向相似人擴展到葉類人，業界喜好人最後向相關人擴展也是擴大流量的過程渠道。
基於推薦搜索演算法邏輯:
精密排列階段演算法更強，精度更高，轉化率更高，持續穩定性更強。
基於中小賣方流通的現狀，優化精排階段並非中小賣方能夠簡單接觸。
推薦演算法從搜索排名階段出現在哪個階段？
個人判斷
一是召回階段
二是粗排階段
上述提到召回階段的演算法簡單復蓋商品為萬級，排序規則也比較簡單，中小賣方在召回階段提高精度尤為重要。
在這個萬級商品庫中，如上下架的權重上升，中小賣方有機會上升到主頁，從子單元的索引召回中尋找機會。
或者根據中小賣方的新產品和中小賣方的店鋪水平進行特別優先搜索推薦，使中小賣方的新產品在低銷售狀態下顯示，可以實現錦囊演算法。
中小賣方有機會搜索主頁，不調用用戶信息直接打開主頁的展示權可能是中小賣方最大的支持。
根據召回階段的用戶行為數據，在粗排階段以比例融入用戶信息，即標簽的影響。
在初始召回階段，類別和分詞權重，看業者主圖場景反應背後的人們反饋，用系統引導，給中小賣方真正參考的流量方向和成交方向。
誰瘋狂地印刷用紙直接關閉黑屋，理解印刷用紙優化競爭場景，從優化人群的角度出發，適當放寬處罰。
通過召回階段，得到的用戶信息會影響粗體結果。在這個階段，用戶信息的權重比例不應該太大，流量卡也不應該太死。
在各檢索順序階段用戶信息，即用戶標簽對檢索的影響權重的問題。
這個方向我的個人觀點是可能的。
❺ 網易雲音樂個性化推薦是一個怎樣的技術
在每日歌曲推薦頁面，網易雲音樂比較簡單的解釋了個性化推薦的運作機制，比如播放、紅心、收藏等用戶行為，都會對推薦演算法產生影響，一方面表明演算法機制，另一方面也鼓勵用戶多聽歌、多動手，讓產品更懂你的前提是用戶行為足夠豐富。另外，在早前網易雲音樂的官方新聞中，也可以看到，海量UGC內容結合協同過濾、語義分析、操作分析技術，這些都是個性化推薦的運行機制。而綜合來看，基於音樂與基於用戶協同過濾的兩種推薦方式，就是個性化推薦的主力。
❻ 推薦一些演算法比較好的書
劉汝佳的《演算法藝術與信息學競賽》，這本書很適合搞演算法競賽的看。
《演算法導論》這本書就不用多說了，經典
Udi Manber 的《Introction to Algorithms: A Creative Approach》中文名《演算法引論：一種創造性方法》
當然還有很多書，上面三本我有幸看過
❼ 什麼是演算法工程師主要任務是什麼
作為演算法工程師，除了精通計算機編程相關知識，精通使用MATLAB等模擬工具外，還必須了解業務背景。例如，人工智慧演算法工程師、交通演算法工程師、圖像處理演算法工程師等需要熟悉公司的業務。有一定的商務學習能力。
通用互聯網公司的演算法工程師主要涉及以下領域：推薦演算法和同通濾波演算法，音頻處理，圖像處理，深度學習和AI演算法，SLAM，VR，AR領域，傳統演算法等。具體如下：
1、推薦演算法和共通濾波演算法。這些工程師主要是解決電子商務或轉換相關問題的工程師。這些工程師需要掌握的是特徵工程、主成分分析、統計數據、貝葉斯概率、決策樹(GBDT/XGBOOST)、 Logistic回歸、協作過濾等圍繞與變換概率有關的知識系統。
2、語音信號處理(例如環路雜訊抑制)通常用於語音聊天和語音識別的前端檢測。像這些做智能揚聲器的公司現在需要做的或多或少。
3、圖像處理，尤其是基於OpenCV的圖像處理演算法，一般產品做美容，濾鏡或其他特別喜歡招募此人的人，在過去的一兩年中有被深度學習替代的趨勢。 Google發布了arccore，因此許多小型公司也可以生產一些非常好的應用程序。
4、 SLAM，專注於機器人定位和導航，例如無人駕駛汽車，掃地機器人。
5、 VR和AR領域，包括視頻跟蹤，SLAM，光線跟蹤，幾何投影等，實際上是一個綜合領域。
優秀的人往往也有一個強大的內心，無論別人如何看待自己，都堅信自己是優秀的，並願意為了進步不斷努力。我認為作為一個演算法工程師也是需要不斷學習，不斷給自己充電，讓自己變得更優秀。以上是小編為大家編寫的演算法工程師的相關知識，希望對大家有幫助!
❽ 推薦系統論文閱讀（十)-基於圖神經網路的序列推薦演算法
論文:
論文地址： https://arxiv.org/abs/1811.00855
論文題目:《Session-based Recommendation with Graph Neural Networks》SR-GNN
github: https://github.com/CRIPAC-DIG/SR-GNN
基於會話的推薦一般是將序列會話建模，將整個session進行編碼，變成一個隱向量，然後利用這個隱向量進行下一個點擊預測。但是這種方法沒有考慮到item直接復雜的轉換(transitions)關系，也就是item之間在點擊的session中除了時間順序外還有復雜的有向圖內的節點指向關系，所以之前的方法不足以很好的對點擊序列進行建模。
現有基於會話的推薦，方法主要集中於循環神經網路和馬爾可夫鏈，論文提出了現有方法的兩個缺點：
1）當一個session中用戶的行為數量十分有限時，這些方法難以獲取准確的用戶行為表示。如當使用RNN模型時，用戶行為的表示即最後一個單元的輸出，論文認為只有這樣並非十分准確。
2）根據先前的工作發現，物品之間的轉移模式在會話推薦中是十分重要的特徵，但RNN和馬爾可夫過程只對相鄰的兩個物品的 單向轉移關系 進行建模，而忽略了會話中其他的物品。
為了克服上述缺陷，本文提出了用圖神經網路對方法對用戶對session進行建模：
下面具體介紹怎麼進行圖序列推薦
V = {v1,v2...vm}為全部的item，S = { }為一個session裡面按時間順序的點擊物品，論文的目標是預測用戶下一個要點擊的物品vs,n+1，模型的任務是輸出所有item的預測概率，並選擇top-k進行推薦。
我們為每一個Session構建一個子圖，並獲得它對應的出度和入度矩陣。
假設一個點擊序列是v1->v2->v4->v3，那麼它得到的子圖如下圖中紅色部分所示：
另一個例子，一個點擊序列是v1->v2->v3->v2->v4，那麼它得到的子圖如下：
同時，我們會為每一個子圖構建一個出度和入度矩陣，並對出度和入度矩陣的每一行進行歸一化，如我們序列v1->v2->v3->v2->v4對應的矩陣如下：
這個矩陣裡面的值是怎麼計算的呢？下面講一下：
看左邊的出度矩陣，第一行為 0 1 0 0 ，代表著v1->v2，因為v1，只有一個指向的item，所以為1；看第二行，0 0 1/2 1/2，因為v2有指向v3和v4的邊，所以進行歸一化後每一個值都變成了1/2。入度矩陣的計算方法也是一樣的，就不再說了。
本文採用的是GRU單元進行序列建模，將圖信息嵌入到神經網路中，讓GRU充分學習到item之間的關系，傳統的GRU只能學到相鄰的兩個物品之間的關系，加入圖信息後就能學到整個session子圖的信息。
計算公式如下：
為了剛好的理解這個計算過程，我們還是使用之前那個例子：v1->v2->v3->v2->v4來一步步分析輸入到輸出的過程。
（1） 是t時刻，會話s中第i個點擊對應的輸入， 是n✖️2n的矩陣，也就是會話子圖的完整矩陣，而 是其中一行，即物品vi所對應的那行，大小為1✖️2n，n代表序列中不同物品的數量。
如果按照例子來看，如果i取2，那麼 為 [0 0 1/2 1/2 1/2 0 1/2 0]
進一步的，可以把 :拆解為[ , ]
（2） 可以理解為序列中第i個物品，在訓練過程中對應的嵌入向量，這個向量隨著模型的訓練不斷變化，可以理解為隱藏層的狀態，是一個d維向量。
(3) H是d*2d的權重向量，也可以看作是一個分塊的矩陣，可以理解為H=[Hin|Hout]，每一塊都是d*d的向量。
那麼我們來看看計算過程：
1）[ ..., ] ，結果是d * n的矩陣，轉置之後是n*d的矩陣，計作
2） : H相當於[ ]，即拆開之後相乘再拼接，因此結果是一個1 * 2d的向量。
上面就是完整的第i個點擊的輸入的計算過程，可以看到，在進入GRU計算之前，通過跟As,i矩陣相乘，把圖信息嵌入到了神經網路中取，加深了神經網路學習到的item之間的交互信息。
此外，就是GRU的計算過程了，跟原始的GRU不一樣的地方在於輸入從xt變成了嵌入了圖信息的as,i。
通樣也有更新門和重置門，計算方法跟原始GRU一模一樣。
這里的 其實就是相當於原始gru中的 ，只不過在SR-GNN裡面，進行一輪運算的時候i是沒有變化，相當於每個物品單獨進去GRU進行計算，得到自己的向量，也就是說在GRU的計算過程中， 是不斷變化的，看一下源碼更易於理解：
hidden就是公式裡面的 ,在gru的每一個step計算中都會進行更新，這里我有個疑問，如果所有item的hidden都更新的話，那麼應該是整個序列中所有的item並行進入GRU中進行計算，每一個step都得到自己的vector，當每個item的vector更新後，下一個step就重新根據新的 計算 ，接著計算下一個step。
計算過程大概就是下面這樣：
這里有四個GRU並行計算，沒次更新自己的hidden狀態，輸入則考慮所有的hidden和圖信息。
從上面的圖看來，每一個item都要進行T個step得到自己的item-vec，所以經過T個step後，我們就得到了序列中所有item的向量，即：
圖中用藍色框框畫出來的向量，有了這些向量後，我們怎麼得到預測結果呢？這就引入了下一個問題。
觀察上面的模型結構，我們看到attention，沒錯，我們認為一個session中的這些item-vec並不都對預測結果產生影響，有些item對結果影響很大，有些影響很小，所以我們進行了加權求和。同時，論文認為session對最後一個item-vec，s1=vn是重要的，所以單獨拿出來：
公式(6)就是簡單的attention操作，其實從公式上來看就是計算每個vi跟最後一個向量vn的權值，然後進行加權求和。
在最後的輸出層，使用sh和每個物品的embedding進行內積計算，這里vi應該是item的embedding層出來的向量，而不是後面一直更新的hidden：
最後通過一個softmax得到最終每個物品的點擊概率：
損失函數為交叉熵損失函數：
從數據上來看，SR-GNN超過了經典的GRU4REC，這也說明了圖信息的嵌入能帶來更好的推薦效果。
本論文很巧妙的將圖信息嵌入的神經網路中，更高地讓GRU學習到每個item之間的關系，不再局限於相鄰的物品之間進行學習。近年來，圖神經網路的思想和方法屢屢被用在推薦系統中，學好圖神經網路應該是推薦系統的下一個熱潮。
❾ ar的學習需要什麼
1、學習 C#語言。如果你沒有編程基礎，可以挑一本C#入門書先學起來，花一兩個月，不用非常深入，做到能讀能寫簡單的代碼即可。當然，如果這個學習過程讓你很興奮很沉迷，那麼恭喜你，這條路很適合你，你可以直接深入下去；2、學習 Unity 引擎。一個 3D 引擎包含的知識面很廣，不要泛泛地去學，找一本帶項目實例的入門書，從簡單的範例項目，一邊敲代碼一邊學起，大概再花上兩三個月。如果在學習 C# 的時候覺得單調，學習 Unity 的過程也很乏味，那應該嚴重認真考慮是不是要繼續下去；3、學習了 C# 和 Unity 的入門，方向堅定不移，可以再花半年的時間做/學習幾個小項目，適當強化知識的深度和廣度。然後題主應該有一定的積累來思考下一步的方向，建議以興趣/性格導向為優先。如果喜歡做產品的快樂，那麼掌握 3D 應用開發的各個環節，對設計、資產、技術、測試、運營、項目管理等各方面都具備一定的把控能力會非常有幫助；如果面向技術，那麼需要回頭補功課，演算法、數據結構、3D 圖形學等列個單子慢慢學起來，必須夯實基礎才能深入。兩個方向都不容易，要成為大牛10年的積累是必須的。但堅持3年，相信在一般的團隊中已經可以貢獻自己的力量了
❿ 國內外有哪些比較優秀的AR SDK
國外排名
Apple ARKit
Facebook AR Studio
Microsoft Windows Mixed Reality
PTC Vuforia
Google ARCore
ARToolKit
Wikitude
MaxST
Kudan
Xzimg
國內排名
網路AR
網易洞見AR
視＋EasyAR
亮風台HiAR
天眼AR
太虛AR
幻視AR
其他
排名依據
平台紅利（市場機會）
免費及可用性（參與門檻）
開發者規模及質量（規模化）
成品性能、表現力和吸引力（實際效果）
國外AR SDK的綜述
我們後面再解釋「為什麼國內排名只有7個」。
國外的SDK排名，從實用角度來說，靠譜的實際上只有前五。
從第六名的ARToolKit開始，要麼是開源但代碼完善度較差的項目，要麼是付費使用才會好用的SDK，所以看看名字就罷，一筆帶過。
Apple ARKit
2015年蘋果收購了Metaio。Metaio此前也是不遜於Vuforia的iOS端AR SDK，但被收購後就不再提供下載和更新，可以認為Metaio就是ARKit的前身。支持升級iOS11的設備保有量過億，ARKit是綁定功能，巨大的市場壟斷優勢壓倒了其他同類對手，不排第一排第幾？
Facebook AR Studio
優勢同樣也是App用戶規模龐大，總規模超過iOS設備保有量，且平台具備自我推廣能力，該優勢略遜於iOS11。缺陷在於開發者僅能為其平台開發內容，商業化規則也由平台制定。故排第二。
Microsoft Windows Mixed Reality
Hololens的市場佔有率目前完全稱不上規模化，這是目前微軟的主要瓶頸，但參考PC時代第三方廠商兼容硬體的普及，硬體的未來前景潛力巨大，近期已有若干款兼容產品推向市場。此外，微軟的應用開發服務體系完整、健全成熟、兼容性強。平台生態基礎非常扎實。故排第三。
PTC Vuforia
Vuforia被高通賣給了PTC。PTC是物聯網公司，隨著人工智慧技術的發展，萬物互聯也將是未來趨勢，AR作為交互顯示類技術前景廣闊。Vuforia原本免費向開發者提供，有一大批初始的死忠，盡管2016年Vuforia開始收取高昂授權費，攆走了一大批免費用戶，但其仍是目前口碑較好的SDK。從目前看PTC沒有明顯要整合Vuforia的跡象，而是單獨將其商業化，因此平台紅利幾乎沒有，完全靠口碑。故暫時排第四。
Google ARCore
來得有點晚。ARKit已經箭在弦上了，Google匆匆推出了一個預覽版。沒有整合在Android里，不具備壟斷優勢。Android設備的市場佔有率很高，但是性能、內核不像iOS設備那樣集中，實戰可用性如何，還需拭目以待。但超過Vuforia指日可待。故暫時排第五。
有了上述5個可選方案，餘下的國外SDK基本沒有必要贅述。
總的來說，國外前五的SDK優劣勢如下：
Apple：用戶體量巨大；但iOS11尚未開放，實際的用戶市場反饋還不明顯。
Facebook：用戶體量巨大；但無法進入國內市場。
微軟：開發體系成熟度高；但設備昂貴，消費市場發展速度太慢。
Vuforia：成熟、易用；在國內收費，且PTC將其導向物聯網市場。
Google：Android設備保有量高，增速明顯；剛剛推出仍需觀望。
國內AR SDK的綜述
國外AR SDK不太容易滿足國內開發者需求，主要困難有：
語言溝通障礙
技術支持有時差問題
技術支持響應慢，且容易無果。
國外AR SDK中未來值得考慮的方案，僅Apple ARKit和微軟。
面對C端市場，開發者選Apple ARKit更佳。面對B端市場，微軟更有整合優勢，通常B端解決方案不會採用手機這種常規設備。
國內的AR SDK有一定的本土化優勢。對於開發者而言，國內的AR SDK各方面的優勢，首選應看重的仍是平台紅利（市場）。我們著重從這些SDK的平台優勢和市場規模的角度，為開發者提供參考。
第一名：網路AR
官方平台：網路搜索「網路AR」，搜索結果第二項。第一項為網路AI開放平台，也可進入網路AR。
從使用規模上說，網路AR並不是第一，但是網路平台優勢明顯，只是起步略晚一些，短期內還沒有發力的跡象。
網路AR並不是一個獨立的SDK，而是從屬於網路AI開放平台。眾所周知，網路近半年來在AI領域持續發力，以致放棄了大量邊緣業務，最近甚至賣掉了網路外賣（心疼一秒），可見網路在AI領域投入的決心之大。AR作為一種內容表現手段，從屬於AI開放平台，也無可厚非。
網路AR SDK的slogan同樣也標榜自己是「最AI的AR SDK」，意味著網路版AR SDK中將提供豐富的AI Feature。網路AR7月份開啟內測申請，目前還處於測試使用階段，從技術水平上，網路AR的功能豐富程度、性能值得期待。
平台紅利：☆☆☆☆
網路AR開放平台上明確了開發者可享受的平台紅利，一來源於手機網路，二來源於網路地圖。
此外，網路還擁有部分線下廣告資源，但這部分目測應該無法免費，或許只能提供給大客戶。
相對於其他同類產品而言，網路AR最具平台紅利的基礎優勢。
免費及可用性：☆☆☆
網路AR SDK的核心功能將永久免費。收費的部分可能是雲端API和資源存儲相關服務，雲端API的具體收費標准暫時還沒有公布，資源存儲服務的資費標准參照網路雲。
可用性方面，目前網路AR SDK的使用，還需「申請內測」，並未直接開放。
開發者規模及質量：☆☆
2016年網路地圖公布的注冊開發者規模有100萬，鑒於網路AR SDK將網路地圖作為為開發者提供的營銷出口之一，基本可以認為網路AR SDK潛在的開發者規模可達百萬級。
成品性能和表現力：☆☆☆
網路目前的案例可以歸為幾類：營銷、公益、定製內容，僅有1個商業化案例，是針對網路地圖的AR實景導航。
從案例數量上看，因為剛剛於7月份推出，目前官方案例僅15個，數量較少。
案例提供視頻和可識別的體驗標識。經小米MIX手機實測，AR內容的畫面精細程度較高；穩定性中等偏上；必須將標識保持在攝像頭畫面里的情況下，有效識別距離大約為15cm ~ 80cm。
有興趣的開發者可以通過網路AR SDK官網體驗。需要提前准備「手機網路」App。
第二名：網易洞見AR
入口：網路搜索「網易洞見」，搜索結果第一項。
平台紅利：☆☆☆
網易的平台級產品，最為知名的有3個，一是新聞客戶端，二是網易雲音樂，三是網易公開課。平台級產品和洞見AR沒有直接關聯，僅在網易雲音樂內有一個「掃一掃」入口，主要用於關聯的營銷活動。與之相比，網路把AR掃一掃的入口集成在自家移動端的核心產品里。這一點網易洞見AR遜於網路AR。
和網路類似的是，網易也把AR放在了人工智慧業務體系中，洞見AR團隊屬於網易人工智慧事業部。把AR和AI視為從屬關系，似乎是大公司的通用觀點，盡管到現在為止還沒有明顯的「合體」內容出現。
網易洞見AR的平台紅利存在，但是否會向普通開發者開放、如何為普通開發者提供紅利機會，目前還沒有明顯的策略或計劃。
免費及可用性：☆
網易洞見AR官網並沒有直接提供SDK下載，僅提供了一個「聯系我們」的表單。
這一點與其他SDK相比，極其獨特。第一沒有任何關於使用資費的說明，第二開發者無法直接參與使用，且沒有開發者文檔。對於一家大公司旗下的事業部而言，似乎並不太合理。
開發者規模及質量：☆☆
網易並非一個開放式的純技術型公司，旗下鮮有聽說有開發者社群的積累，潛在的開發者規模也缺乏合理依據支撐。
但隨著網易在人工智慧和AR等技術方向上的持續探索，形成自己的開發者社群或許有一定的可能，其品牌具備一定的號召力，但在開發者社群積累的執行層面可能會缺乏經驗。
總體而言，☆☆☆是一個模糊的評價，主要支撐依據是其品牌。
成品性能和表現力：☆☆☆☆☆
網易洞見AR官網並未列舉足夠的開發案例，實際列舉的案例僅「農夫山泉+網易雲音樂」一項。該案例為營銷案例，為此農夫山泉向市場投放了總計4億瓶定製瓶身包裝的礦泉水。
這一案例想必是網易洞見AR在事件營銷方面建立了一個商業化的、規模化的、充分利用平台紅利的、具備一定影響力的執行案例，但可能也是目前唯一一個。相比起其他SDK在這方面的成果，這個案例的質量和規模化程度要高很多，直接面向消費市場。
經我們用米6手機、iPhone 6s手機通過網易雲音樂客戶端，和定製版農夫山泉實測，其AR體驗中等偏上，穩定性較好，空間貼合程度一般，但調性可以給滿分。必須將標識保持在攝像頭畫面里的情況下，有效識別距離大約為10cm ~ 120cm。
有興趣的朋友可以親自試試。
操作流程：打開網易雲音樂>菜單中找到「掃一掃」>切換到AR，掃瓶身。
洞見AR官網除了上述案例，並未提供其他明確的案例，僅提供了三個動圖，以展示其SDK的穩定性。（由於官方提供的Gif圖過大，壓縮後畫質受損，如有必要建議直接前往洞見AR官網查看）
從「農夫山泉」案例的實際體驗來看，上述圖示基本符合事實效果。
第三名：視+ EasyAR
EasyAR目前在國內有一定數量規模的開發者，根據其最新的融資消息稱，其開發者數量約在30000上下。這一定程度上得益於Vuforia去年的「收費」行動。例如「AR塗塗樂「等較為初級的AR卡牌類開發者，正是因為Vuforia這次自殺式的」授權費行動「，轉投了EasyAR懷抱。
平台紅利：☆
缺乏平台優勢是EasyAR目前的一個明顯不足。其創業團隊背景導致目前暫時沒有成熟統一的輸出市場。
EasyAR新一輪投資方中，有汽車之家這樣的平台，最新的融資描述也稱未來將瞄準AR看車的應用場景。最新的」汽車之家「App中，已有」AR掃一掃「的功能入口，但沒有使用說明、提示。
但並未有公開信息表明EasyAR的開發者有機會享受汽車之家的平台紅利。
最新版汽車之家App界面截圖
免費及可用性：☆☆☆
EasyAR官方提供免費版本本地化SDK下載，稱為」Basic「版，但不支持」SLAM「、」3D物體跟蹤「、」不同類型目標同時識別與跟蹤「和」錄屏「功能。
Pro版本收取￥2999/應用的授權費，相對而言也算是良心價格。Pro版本支持上述4個功能。
此外EasyAR還提供雲端識別API服務，收費價格是￥1200/月。
本地版主要滿足AR識別和展示效果的基本需求，雲端版主要用於管理大量識別圖。大致的區分可以這樣理解：本地版滿足短時、需求單一的小型項目開發，雲端版滿足大型復雜項目開發。
此外還有一站式解決方案，但頁面無法打開，顯示為
開發者規模及質量：☆☆☆☆
根據最新的融資消息，宣稱其開發者數量約在30000上下（未經證實）。
相比網路AR，EasyAR目前的開發者規模尚有優勢，但預計未來會被超越。相比網易洞見，EasyAR無論在規模還是質量上均有優勢。
從長遠來看，如果無法為開發者提供穩定的」獲利「出口，僅靠純產品服務或許不容易擴張其開發者社群規模。
成品性能和表現力：☆☆☆☆
EasyAR官網提供了65個案例，大部分案例都以視頻方式呈現，大部分視頻內容主體都是甲方產品廣告，其中有少量應用場景畫面。
因缺乏標識物（官網未提供），案例無法實測，截取部分視頻動圖以供參考。
動圖1和2的AR內容看上去比較穩定，動圖3的AR內容展示有明顯不穩定的情況。主要的2個影響因素是手機和標識點相對距離、識別和追蹤的響應速度。相對距離較大時，手持設備時的人體正常抖動引起的畫面偏移較小，因此汽車AR效果比較穩定，而近距離的卡牌AR則更容易偵測到畫面位移，在識別和追蹤的響應速度上存在不可避免的延遲，造成動圖3的結果。
第三方提供的有效識別距離數據，最大約為270cm，最小距離未提供。
第四名：亮風台HiAR
亮風台主營業務是AR眼鏡，SDK是其硬體產品生態一環。SDK分為本地版和雲端API。鑒於國內AR眼鏡產品的成熟度、市場佔有率甚至不如微軟的Hololens，開發者基本享受不到平台紅利。因此這類以硬體產品為核心的SDK，根據我們的標准，排名較低。
平台紅利：☆
亮風台的投資人中有美圖公司，但並沒有公開信息表明HiAR SDK的開發者能有機會為美圖平台開發可獲利的內容。
亮風台的自有市場佔有率明顯還不高，自身無法為開發者提供平台紅利。
免費及可用性：☆☆☆☆
本地版SDK和雲端API均免費，官方頁面上沒有直接體現，注冊後可直接下載使用和查看管理後台。
開發者規模及質量：☆☆
亮風台在國內的開發者數量沒有公開數據，根據其官網SDK相關頁面展示的案例來看，與企業有一定數量的toB合作，但沒有證據表明其擁有成規模的開發者社群。
根據其開發者社區展示的信息來看，開發者社群大約在百人左右。
成品性能和表現力：☆☆
HiAR SDK的性能和效果，可以通過其自有App」幻境「作為參考。幻境App的下載入口位於其官網「產品」菜單下。
經米6手機實測，幻境App識別「50元人民幣」後，出現了一個簡單的動畫，動畫表現力且不論，疊加的畫面會不斷的小幅抖動和變形，穩定性明顯不如上述三家SDK。
AR SDK排名總結
第五名至第七名的AR SDK，只做單純列舉，主要原因是這些SDK項目規模較小，目前均未有盈利或融資的消息，其生存前景可能存在一些問題。從開發的角度說，勢必應避開」不確定性較大「的風險。
總的來說，單從」如何參與AR市場「的角度考慮，在選擇AR SDK時，首先還應考慮平台優勢。從技術角度說，大部分SDK的演算法邏輯大同小異，差異在於代碼精細化程度、開發輔助的健全程度、技術支持的質量以及可持續性。
iOS11捆綁的ARKit，無疑是當前市場機會最直接也最大的，尚需實戰檢驗。
國內的AR SDK中，網路AR、EasyAR無疑是可考慮的首選，二者相比，網路AR目前略有優勢，長遠看也更有優勢。網易洞見AR的開放性目前存疑。
復制粘貼的一篇報道，說得還是比較靠譜的，原諒我出處忘了，當時只吧內容存下來了