2021演算法分析

『壹』 自研演算法再立功 OPPO CVPR 2021獲多項佳績

【PChome手機頻道資訊報道】 全球頂級的計算機視覺及人工智慧會議CVPR 2021落下帷幕，OPPO在六大賽道共十二項賽項中取得一項第一，七項第二，四項第三的優異成績，僅次於網路等國內第一梯隊的參賽選手。據了解，本次OPPO的參賽團隊來自OPPO研究院智能感知與交互研究部和OPPO美國研究所，先後在多目標行為分析、足球行為分析、長視頻理解、時空行為檢測、跨模態分析及人機交互識別六大賽道上取得優異的成績。

由OPPO智能感知首席科學家郭彥東與清華學者等共同發表的《View-Guided Point Cloud Completion》論文，被本次CVPR所收錄。該論文通過執行有效的跨模態和跨級別融合框架，為點雲補全任務提出了一套視圖引導的全新解決方案。

OPPO在多目標行為分析賽道中收獲頗豐，其所應用的AI演算法能准確判別、預測動物及人在復雜交互內容下的行為。目前，這項技術已經賦能OPPO智慧工廠，在這套演算法的輔助下，可以避免關鍵生產環節的錯漏錯放，令自身和產線更安全。

OPPO的自研演算法其實早就在OPPO手機中發揮了重要功能，在Reno6所主打的炫彩人像視頻拍攝功能中，就是運用了OPPO自研的AI演算法來實現視頻美顏、美妝功能的。OPPO的演算法可以基於多張2D圖片對人臉的3D模型進行精準構建，模型精度與現實差距能夠控制在1mm級別。運用這種演算法即便是在動態視頻拍攝上，也能夠對人臉的模型進行精確識別，方便後續的美顏演算法進行處理。

依託於這種自研演算法支持，OPPO Reno6系列已經實現了635個特徵點的視頻識別，從而可以為用戶展現出自然的美顏效果。也正是源於該演算法的使用，OPPO將人像視頻拍攝功能推向了一個新的賽道，讓視頻拍攝成為一種必備的功能支持。另外該演算法也能讓AR特效展現出更豐富、更自然的效果。

OPPO的AI能力已經發展到能夠識別人在時空環境中的行為狀態，比如在足球行為識別的功能上，就展現出非常優秀的識別表現，它可以通過比賽視頻來判定包括越位、紅牌等復雜賽場難題，讓賽場中的判罰准確，減少視頻回看的時間，加強比賽的連貫性。對於足球愛好者來說，也能通過演算法支持在比賽後實時整理精彩集錦。

在跨模態行為分析的演算法支持上，OPPO強大的AI演算法僅通過視覺信息便可准確識別一段視頻中人物在特定空間內發生的交談、屈膝、走動等十餘種動作。該技術未來有望廣泛應用在家居場景，為家中老人、小孩、寵物帶來更貼心的照料。

此外，OPPO還在時空行為定位演算法也有著頂級的表現，時空行為定位演算法不僅可以准確識別視頻中人們的行為，還可以同步定位其所處的時間段和空間范圍。這也意味著，OPPO的AI技術不僅能理解你在做什麼，還可以在時空中「找到」你。

OPPO的自研AI演算法有著OPPO對於市場和用戶的深刻理解在其中，其在CVPR 2021的競賽成績也表明了OPPO的技術實力。OPPO以往的諸多自研演算法已經在OPPO手機中正式商用，取得了用戶的高度認可。而現在所展示的諸多AI演算法，或許在不久過後就會應用到新款的OPPO手機之中。

『貳』 個人所得稅演算法公式2021

2021年新個稅計算公式為，應納稅額=（工資薪金所得-「五險一金」-扣除數）*適用稅率-速算扣除數。個稅起征點是5000，使用超額累進稅率的計算方法如下漏圓：
1、繳稅=全月應納稅所得額*稅率-速算扣除數；
2、實發工資=應發工資-四金-繳稅；
3、全月應納稅所得額=（應發工資-四金）-5000。
《中華人民共和國個人所得稅法》
第三條
個人所得稅的稅率：
（沒搜冊一）綜合所得，適用百分之三至百分之四十五的超額累進稅率；
（二）經枯宏營所得，適用百分之五至百分之三十五的超額累進稅率；
（三）利息、股息、紅利所得，財產租賃所得，財產轉讓所得和偶然所得，適用比例稅率，稅率為百分之二十。第九條
個人所得稅以所得人為納稅人，以支付所得的單位或者個人為扣繳義務人。
納稅人有中國公民身份號碼的，以中國公民身份號碼為納稅人識別號；納稅人沒有中國公民身份號碼的，由稅務機關賦予其納稅人識別號。扣繳義務人扣繳稅款時，納稅人應當向扣繳義務人提供納稅人識別號。

『叄』 京東無人倉入圍2021全球演算法應用最高獎，這演算法應用原理是什麼

2021年1月15日，美國律師事務學與管理科學學會公布2021年弗蘭茲·厄德曼的最終入圍名單。由京東集團自主研發的無人倉調度演算法成為該入圍名單中的一個，其中以亞馬遜等7家全球企業和機構共同入圍該名單。在最近50年來，該獎項只有三家中國企業入圍自主名單，此次京東入圍為中國供應鏈領域首次入圍該名單。

運用該演算法，在消費者下單的幾分鍾之內就可以幫助機器人完成訂單揀選，這成為了京東首創“睡前下單醒來收貨”服務的重要基礎，並正在助力京東物流推動24小時達，成為消費者可以享受的優惠式服務。弗蘭茲·厄德曼獎高度重視運籌學在實際應用中所產生的價值，所有參賽企業累計貢獻價值已經超過了3020億美元，由於京東自主研發的無人倉演算法實現了傳統的倉儲箱自動化到智能化的連續飛躍，帶動了行業的降本增效，基於數字化社會供應鏈，京東正在與多家合夥企業推動中國社會化物流成本在10年內降至10%以內，將能夠達到歐美等發達國家的水平。在未來京東演算法將有力推動實現這一目標，引領全球供應鏈基礎設施的數字文化升級。

『肆』 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。