2021算法分析

‘壹’ 自研算法再立功 OPPO CVPR 2021获多项佳绩

【PChome手机频道资讯报道】 全球顶级的计算机视觉及人工智能会议CVPR 2021落下帷幕，OPPO在六大赛道共十二项赛项中取得一项第一，七项第二，四项第三的优异成绩，仅次于网络等国内第一梯队的参赛选手。据了解，本次OPPO的参赛团队来自OPPO研究院智能感知与交互研究部和OPPO美国研究所，先后在多目标行为分析、足球行为分析、长视频理解、时空行为检测、跨模态分析及人机交互识别六大赛道上取得优异的成绩。

由OPPO智能感知首席科学家郭彦东与清华学者等共同发表的《View-Guided Point Cloud Completion》论文，被本次CVPR所收录。该论文通过执行有效的跨模态和跨级别融合框架，为点云补全任务提出了一套视图引导的全新解决方案。

OPPO在多目标行为分析赛道中收获颇丰，其所应用的AI算法能准确判别、预测动物及人在复杂交互内容下的行为。目前，这项技术已经赋能OPPO智慧工厂，在这套算法的辅助下，可以避免关键生产环节的错漏错放，令自身和产线更安全。

OPPO的自研算法其实早就在OPPO手机中发挥了重要功能，在Reno6所主打的炫彩人像视频拍摄功能中，就是运用了OPPO自研的AI算法来实现视频美颜、美妆功能的。OPPO的算法可以基于多张2D图片对人脸的3D模型进行精准构建，模型精度与现实差距能够控制在1mm级别。运用这种算法即便是在动态视频拍摄上，也能够对人脸的模型进行精确识别，方便后续的美颜算法进行处理。

依托于这种自研算法支持，OPPO Reno6系列已经实现了635个特征点的视频识别，从而可以为用户展现出自然的美颜效果。也正是源于该算法的使用，OPPO将人像视频拍摄功能推向了一个新的赛道，让视频拍摄成为一种必备的功能支持。另外该算法也能让AR特效展现出更丰富、更自然的效果。

OPPO的AI能力已经发展到能够识别人在时空环境中的行为状态，比如在足球行为识别的功能上，就展现出非常优秀的识别表现，它可以通过比赛视频来判定包括越位、红牌等复杂赛场难题，让赛场中的判罚准确，减少视频回看的时间，加强比赛的连贯性。对于足球爱好者来说，也能通过算法支持在比赛后实时整理精彩集锦。

在跨模态行为分析的算法支持上，OPPO强大的AI算法仅通过视觉信息便可准确识别一段视频中人物在特定空间内发生的交谈、屈膝、走动等十余种动作。该技术未来有望广泛应用在家居场景，为家中老人、小孩、宠物带来更贴心的照料。

此外，OPPO还在时空行为定位算法也有着顶级的表现，时空行为定位算法不仅可以准确识别视频中人们的行为，还可以同步定位其所处的时间段和空间范围。这也意味着，OPPO的AI技术不仅能理解你在做什么，还可以在时空中“找到”你。

OPPO的自研AI算法有着OPPO对于市场和用户的深刻理解在其中，其在CVPR 2021的竞赛成绩也表明了OPPO的技术实力。OPPO以往的诸多自研算法已经在OPPO手机中正式商用，取得了用户的高度认可。而现在所展示的诸多AI算法，或许在不久过后就会应用到新款的OPPO手机之中。

‘贰’ 个人所得税算法公式2021

2021年新个税计算公式为，应纳税额=（工资薪金所得-“五险一金”-扣除数）*适用税率-速算扣除数。个税起征点是5000，使用超额累进税率的计算方法如下漏圆：
1、缴税=全月应纳税所得额*税率-速算扣除数；
2、实发工资=应发工资-四金-缴税；
3、全月应纳税所得额=（应发工资-四金）-5000。
《中华人民共和国个人所得税法》
第三条
个人所得税的税率：
（没搜册一）综合所得，适用百分之三至百分之四十五的超额累进税率；
（二）经枯宏营所得，适用百分之五至百分之三十五的超额累进税率；
（三）利息、股息、红利所得，财产租赁所得，财产转让所得和偶然所得，适用比例税率，税率为百分之二十。第九条
个人所得税以所得人为纳税人，以支付所得的单位或者个人为扣缴义务人。
纳税人有中国公民身份号码的，以中国公民身份号码为纳税人识别号；纳税人没有中国公民身份号码的，由税务机关赋予其纳税人识别号。扣缴义务人扣缴税款时，纳税人应当向扣缴义务人提供纳税人识别号。

‘叁’ 京东无人仓入围2021全球算法应用最高奖，这算法应用原理是什么

2021年1月15日，美国律师事务学与管理科学学会公布2021年弗兰兹·厄德曼的最终入围名单。由京东集团自主研发的无人仓调度算法成为该入围名单中的一个，其中以亚马逊等7家全球企业和机构共同入围该名单。在最近50年来，该奖项只有三家中国企业入围自主名单，此次京东入围为中国供应链领域首次入围该名单。

运用该算法，在消费者下单的几分钟之内就可以帮助机器人完成订单拣选，这成为了京东首创“睡前下单醒来收货”服务的重要基础，并正在助力京东物流推动24小时达，成为消费者可以享受的优惠式服务。弗兰兹·厄德曼奖高度重视运筹学在实际应用中所产生的价值，所有参赛企业累计贡献价值已经超过了3020亿美元，由于京东自主研发的无人仓算法实现了传统的仓储箱自动化到智能化的连续飞跃，带动了行业的降本增效，基于数字化社会供应链，京东正在与多家合伙企业推动中国社会化物流成本在10年内降至10%以内，将能够达到欧美等发达国家的水平。在未来京东算法将有力推动实现这一目标，引领全球供应链基础设施的数字文化升级。

‘肆’ 论淘宝搜索推荐算法排序机制及2021年搜索的方向。

[写在前面]淘宝搜索引擎至今反复多次，搜索顺序也从最初的统计模型升级到机械学习模型，到2010年为止没有标签没有基础标签，随着计算能力的提高，2010年后开始挖掘用户的基础标签，从3年到2013年开始使用大规模的机械学习和实时特征
但你有没有想过为什么2016-2017年的两年是各种各样的黑搜索盛行的一年，为什么今天几乎消失了？
最根本的原因是从统计算法模型到机械学习模型的转型期。
说白了，这时不收割就没有收割的机会。因为统计模型即将退出历史舞台。
因此，各路大神各自扩大了统计模型算法中的影响因素。统计算法无论在哪里，点击率和坑产都很容易搜索。
那两年成了中小卖家的狂欢盛宴，很多大神的烟火也是旺盛的。
今天推荐算法的第三代使用后，加上疫情的影响进行了鲜明的比较，真的很感慨。
淘宝真的没有流量了吗？电器商务真的做不到吗？还是大家的思维没有改变，停留在2016-2017年的黑搜宴会上不想醒来？
2017年、2018年、2019年是淘宝推荐算法反复最快的3年，每年的算法升级都不同，整体上到2019年9月为止统计算法模型的影响因素还很大，从2019年下半年开始第三代推荐算法后，全面的真正意义进入了以机械学习模型为中心的推荐算法时代。
各路大神也无法验证，加上百年疫情的影响，很多大神的隐蔽布也泄露了。
基本上以统计模型为主，训练基本上没有声音，典型的是坑产游戏。
如果现在还能看到的话，基本上可以判断他不是在训练，而是在制作印刷用纸，一定会推荐使用资源，资源是多么安全。
刷子的生产增加真的没有效果吗？不是我以前的文章说:不是不行，而是从坑产的角度思考，而是从改变竞争环境的角度思考，用补充书改变竞争环境，改变场地，有新的天地，任何手段都要为商业本质服务。
正文
概述统计算法模型时代。
统计模型时代搜索引擎的排名是最原始的排名思考，如果你的类别不错，关键词比较正确，就能得到很大的流量，当时产品需求少，只要上下架的优化就能使产品上升。
到2016年为止没有坑产游戏吗？黑色搜索的效果不好吗？其实，什么时候坑产是最核心的机密，谁来教大家，什么时候教的最多的是类别优化，关键词优化，大部分优化都围绕关键词，电器商的老人想起了你什么时候得到关键词的人得到了世界。
有人告诉我做坑产，关键词找到生意也来了。什么时候知道坑产也没有人给你刷子，大规模的补充书也出现在黑色搜索盛行的时期。
为什么关键词者得天下？
搜索关键词是用户目前意图最直观的表达，也是用户表达意图最直接的方式。
搜索的用户购物意图最强，成交意愿也最强，现在搜索也是转化率最高的流量来源。
统计时代关键词背后直接依赖的是类别商品，只要制作类别和关键词分词即可，哪个时代最出现的黑马通常是类别机会、关键词机会、黑科学技术机会。
最基本的是商业本质，什么时候产品需求少，没有很多现在的类别，自己找类别，现在想想什么概念。
记得什么时候类别错了，搜索也可以来。如果你的商品点击反馈好的话，错误的类别没有什么影响，现在试试吧
搜索类是搜索的基础。
什么时候能称霸，背后有商业逻辑，用户行为数据好就行了。
但无论如何发展检索都离不开关键词。例如，上述关键词是用户表达意图的最直接的方法，是当前消费者的检索行为和购买行为发生了根本性的变化。
检索依然根据消费者的行为数据和关键词来判断需求，这就是机械学习模型时代。
机器学习模式时代-推荐搜索算法。
现在的商品体积和消费者购物行为的丰富性，统计算法不能满足检索的本质要求。
所以现在搜索引擎开始发展深度学习模式更精细的建模-推荐搜索算法，搜索排名更智能。
在此重点讨论推荐检索算法，
2017、2018、2019是推荐检索算法真正意义发展的3年，3年3个系统版本每年更换一次，很多电器商人都不知道头脑。
推荐检索算法和统计算法模型的最大区别在于，Query的处理能力和算法有召回机制
简单表示推荐算法的程序:
1:对检索关键词进行分词、重写的处理进行类别预判
2:根据用户信息，即用户以前的行为数据记录和预测的性别、年龄、购买力、店铺喜好、品牌喜好、实时行动作等信息存档
3:根据检索用户信息，根据检索用户以前的行为数据检索引擎和预测的性别、年龄、购买力、店铺喜好、品牌喜好、实时行动作为等信息存档3:根据检索用户信息的检索用户信息
也就是说，在第一关召回阶段基本上与统计模型时代的最佳化途径相同，核心是标题分词和类别，现在最大的区别是根据用户信息推荐最佳化，这是标签和正确人群标签图像最佳化的基本意义。
为什么现在一直在谈论标签，谈论人标签图像？入池实际上是为了匹配真正的消费者用户信息，通过直通车测试来判断人群也是为了通过性别、年龄和购买力来优化匹配真正的消费者。
召回机制:
通过构建子单元索引方式加快商品检索，不必经历平台上亿级的所有商品。该索引是搜索引擎中的倒置索引，利用倒置索引初始筛选商品的过程是召回阶段。
在这个阶段，不会进行复杂的计算，主要是根据现在的搜索条件进行商品候选集的快速圈定。
之后再进行粗排和精排，计算的复杂程度越来越高，计算的商品集合逐渐减少，最后完成整个排序过程。
主要召回路径分为
1:语言召回
2:向量召回
这些都是商业秘密不方便的说明，有兴趣的是学习我们的在线会员课程标签重叠游戏6是基于语言和向量召回的基础逻辑实战落地的课程。
下一阶段进入粗行列，粗行列受这些因素的影响:
粗行列作为召回后的第一个门槛，希望用户体验以时间低的模型快速排序和筛选商品，第一关系将过滤到不适合本次检索词要求的商品
为了实现这个目的，首先要明确影响粗排名得分的因素
1:类别匹配得分和文本匹配得分，
2:商品信息质量(商品发布时间、商品等级、商品等级)
3:商品组合得分
点击得分
交易得分卖方服务商业得分
在粗排列框架下，系统粗排列算法根据商品类别的预测得分进行得分
点击得分交易得分
交易得分卖方服务商业得分粗排列框架下，系统粗排列的大排列
最后是精排，检索顺序的主要目标是高相关性、高个性化的正确性。
每个用户的喜好不同，系统会根据每个用户的Query结合用户信息进行召回。然后通过粗排后，商品数量从万级下降到千级。
千级商品经排后直接向用户展示，搜索过程中商品集合的思考和具体变化如下图

前面的召回、粗排主要解决主题相关性，通过主题相关性的限制，首先缩小商品集合和我们的在线会员课程标签
精排阶段系是真正系统推荐算法发挥真正威力时，应根据用户行为反馈迅速进行机械学习建模，判断用户真实性、准确性和可持续控制性。
为什么现在的游戏和黑色技术暂时出现，核心是系统算法模型机械学习模型，系统分析用户有问题，不正确，不稳定，维持性差，可以迅速调整。
也就是说，即使发现脆弱性，研究快速有效的方法，系统也会根据你精排阶段的用户行为迅速分析学习建模，发现模型有问题，你的玩法就结束了。
猜机器学习建模的速度有多快？
想玩黑色的东西早点死去吧。
现在使用的检索顺序模型主要是
CTR模型和CVR模型，具体模型过于复杂也不需要深入，但影响这两种模型的最基本因素是用户行为数据
真的不能假的，假的也不能假的算法模型越来越智能化，算法越来越强，只有回归商业本质才能真正解决算法模型背后真正想解决的问题，算法基于商业逻辑。
2021年搜索向哪个方向发生变化:
2020年电器商人和蚂蚁是不平凡的一年。2020年也是蚂蚁从神坛上拉下来的元年，现在蚂蚁有各种各样的黑色。
基于中小卖家的走势无疑是阿里必须正面面对的现实。
如何让中小卖家回流或留在平台上，搜索该怎么做？
检索一定是基于三方的考虑，买方、卖方和平台本身，现在市场上又开始提倡坑产搜索逻辑，坑产妖风又开始，根据推荐搜索算法逻辑来谈这个问题。
为什么坑产思维是不死的小强，每次危机都会跳出来。
以统计模型为中心的坑产时代是淘宝从2003年到2015年一直使用的搜索算法模型长达13年。
同时也是淘宝和中国网分红的野蛮生长期，统计算法模式让太多电商赚钱。除了
之外，十年的奴役思维已经习惯了，在电器商圈，坑产游戏一定有人相信，其他人不一定被认可。所以，我们夹着尾巴发展的原因，时间真的可以证明一切，不用多说，做自己。
习惯性思维加上特殊时期的赚钱蝴蝶效应，使许多电器商人活在历史的长梦中。正确地说，统计算法模型的真正废除是在2019年下半年。
同学说坑产永远有效，我也这么想。
永远有效的是起爆模型坑产权重驱动和统计算法模型中的坑产排名不同。
起爆模型的坑产要素永远有效，这永远不会改变。
但是，如何有效地加上这个起爆模型的坑产权重，并不像模仿购物的意图那么简单。
坑产游戏在2021年绝对不行。淘宝不会把现在的算法系统换成15年前的。
基于三方利益:
购买者体验
卖方利益
平台的发展
搜索肯定会向高精度和高控制性发展。以标签为中心的用户标签图像仍然是影响流量精度的基本因素。
必须从标签的角度考虑和优化种子组的图像。
通过种子组的图像向相似人扩展到叶类人，业界喜好人最后向相关人扩展也是扩大流量的过程渠道。
基于推荐搜索算法逻辑:
精密排列阶段算法更强，精度更高，转化率更高，持续稳定性更强。
基于中小卖方流通的现状，优化精排阶段并非中小卖方能够简单接触。
推荐算法从搜索排名阶段出现在哪个阶段？
个人判断
一是召回阶段
二是粗排阶段
上述提到召回阶段的算法简单复盖商品为万级，排序规则也比较简单，中小卖方在召回阶段提高精度尤为重要。
在这个万级商品库中，如上下架的权重上升，中小卖方有机会上升到主页，从子单元的索引召回中寻找机会。
或者根据中小卖方的新产品和中小卖方的店铺水平进行特别优先搜索推荐，使中小卖方的新产品在低销售状态下显示，可以实现锦囊算法。
中小卖方有机会搜索主页，不调用用户信息直接打开主页的展示权可能是中小卖方最大的支持。
根据召回阶段的用户行为数据，在粗排阶段以比例融入用户信息，即标签的影响。
在初始召回阶段，类别和分词权重，看业者主图场景反应背后的人们反馈，用系统引导，给中小卖方真正参考的流量方向和成交方向。
谁疯狂地印刷用纸直接关闭黑屋，理解印刷用纸优化竞争场景，从优化人群的角度出发，适当放宽处罚。
通过召回阶段，得到的用户信息会影响粗体结果。在这个阶段，用户信息的权重比例不应该太大，流量卡也不应该太死。
在各检索顺序阶段用户信息，即用户标签对检索的影响权重的问题。
这个方向我的个人观点是可能的。