日均亿次广告投放的FreeWheel如何实践机器学习？

这篇文章发表在公共账户(数字情报的故事)(ID: decision_engine)和封闭的心灵公共账户不会错过每一篇文章。

AI火线指南:随心所欲成立于2007年，总部设在硅谷，美国。它是一个公司，提供网络视频广告、监控、猜测和增值处理和准备。哥伦比亚广播公司等企业提供了服务，华纳兄弟，特纳，发现，等。平均每日广告发布已经超过上亿倍，这个数字仍是速降。

快速扩张的交易后，机械学习技能也变得随心所欲的采用技术团队。在猜测网站视频的交通方面，严格的学习可能猜测的准确性大大提高。作为视频网站而言，更准确的视频流量预测可能会更好地帮助客户提供库存准备，忏悔销售，和危害控制，减少收入，达到一个双赢的局面。

为了显示相关探索和实验能力，InfoQ采访了随心所欲北京研发团队核心能力，以解释更多的读者使用机器学习的历史想视频网站流量。图1显示了他们的系统图。

名字背景

机器学习已经被用于广告行业额外的好客，特别是猜测视频网站的流量。面试开始时，随心所欲的研发人员你们博瑞谈到这个技能的痛点为我们做准备。

随心所欲的大多数顾客高容量的本质，如:现场直播的体育事件，美国电视连续剧，电影，等等。因为大多数这些物质在固定的时间段，传播他们的交通将显示一定的周期性，但许多因素的持久性指导这个周期性不庄严。

为例，美国电视连续剧“时尚家庭”将延续一个赛季每年在9月底，所以视频流量将增加在这一时期，但观看的数量每年9月不是统一的。通常，顽固的流猜non-machine学习方法有以下三个难点:

(1)sampling-based猜测方法很难获得定期的信息，所以猜测精度低;

(2)有许多不同的客户不常见的视频，这是多达一百万级，每个视频周期不能完全沟通。它无疑是极难处理每个不同的视频手动;

(3)数据没有庄严的周期性顽固的统计模型ARMA， ARIMA很难赢得最后期限。

其他研发人员表明，对于许多客户，他们的季节性事件流与算法很难猜，只能手动安排自己，这让很多的压力管理。如果最后期限的手工猜测不好，它将有效地销售一空。

为了解决上述问题，随心所欲采用机械学习方法来自动确定视频的流量是周期性的，并从经验中提取周期特征数据流量的猜测。

团队从2017年开始这个别名。在此之前，团队进行了许多其他non-machine学习实验，比如使用抽样方法来猜，这不是一个概念的有效性。在深刻理解和理解客户的事务场景和数据特点，团队想出的想法使用机器学习来解决它。

2017年上半年，季节性的团队决定判断算法和交通猜测算法后的视频流量试验和错误。发射后，算法评价规则修正和视频分类算法增加了;在今年下半年，团队优化猜测逻辑，和客户的数量从2减少到11。

2018年，研究小组开始尝试用一系列方法基于深入学习，包括卷积神经网络(卷积神经网络)的时间判断算法和递归神经网络模式sequence-to-sequence交通猜测算法(序列)测序)模型。据报道，这些服务仍在进步的核心。

今天展开，这个别名项目赢得了良好的最后期限。我们知道，目前，60%的随心所欲的重要客户的交通推测迁移的准备和操作过程，并赢得客户的积极响应。