社会传播学的若干课题与实践 贺鹏、易玲玲、高瀚、陈川 腾讯微信数据中心社会传播组 [摘要]俗话说“酒香不怕巷子深”,表面上说的是酒香引人,实际上是指好酒在街坊邻里间口耳相传,酒借着口碑飘香千里,毋须大张旗鼓的门面,也自会有客似云来。这就是口碑营销,其背后是社会传播在起作用。线上社交工具的兴起,为传统的社会传播学带来了全新的研究视角,也提供了广阔的应用场景。本文将简要介绍社会传播学中若干经典课题的理论研究,及其在微信中的应用。 1 社会传播学研究什么? 1.1 经典的传播问题 社会传播学想要解答的问题,通俗地
2021 领研学术期刊微信传播力榜 是领研网(www.linkresearcher.com)携手开科思(Cactus Communications)旗下科研传播旗舰品牌 Impact Science 推出的学术期刊新媒体影响力榜单,将以季度和年度的形式,动态追踪中国学术期刊和全球学术期刊在微信平台的传播情况,定期盘点最具传播力的学术期刊,为评价期刊的社会影响力提供一个新的参考维度。 今天发布的是 2021 第一季度 · 全球学术期刊微信传播力榜(点击阅读 2021 第一季度 · 中国学术期刊微信传播力榜),
【新智元导读】本年度的 NIPS 接近尾声,Yoshua Bengio 的报告终于出炉。Bengio这次报告主要介绍神经科学与深度学习之间的关系,逐一介绍了在神经科学上可行的深度学习概念,比如反向传播
本期论文解读邀请了中国人民大学博士生王涵之分享其发表在KDD 2021 的论文 《Approximate Graph Propagation》,第二作者为中国人民大学博士生何明国,通讯作者为中国人民大学魏哲巍教授。这篇论文将目前绝大多数的图节点邻近度指标和图神经网络特征传播形式都归纳为一个概括性的图传播范式,针对该图传播范式,这篇论文提出了一个时间复杂度近似最优的通用算法AGP。
在深度学习中的参数梯度推导(二)中,我们总结了经典而基础的DNN的前向和反向传播。在本篇(上篇),我们将介绍另一经典的神经网络CNN的前向传播,并在下篇中介绍推导其反向传播的相关公式。
j 代表下一层中误差单元的下标,是受到权重矩阵中第行影响的下一层中的误差单元的下标。
MIT 媒体实验室近日发表在Science的一项迄今最大规模的假新闻研究发现,在 Twitter 上不实消息被转发的概率比真相高 70%,真消息扩散至 1500 人所需的时间平均是不实消息的 6 倍。研究以海量数据揭示了假新闻的传播路径和传播特征——谣言比真相传得更远、更深、更快,而且每个人都是散播恐惧、厌恶的假新闻的放大器。 一项迄今最大规模的关于新闻在社交媒体上传播方式的研究,以海量数据揭示了假新闻的传播路径和传播特征——谣言比真相传得更远、更深、更快,而且每个人都是散播恐惧、厌恶的假新闻的放大器
在这里,我们先按照周志华《机器学习》的反向传播理解思路进行公式推导,对后面深入理解深度神经网络中的反向传播预热!
反向传播全称叫“误差反向传播”,英文Backpropagation,缩写为BP算法。作为训练神经网络的基本算法之一,反向传播对于新智元的程序员读者们来说一定不陌生。
深度学习系列(2):前向传播和后向传播算法 前言 讲真,之前学吴恩达的机器学习课时,还手写实现过后向传播算法,但如今忘得也一干二净。总结两个原因:1. 理解不够透彻。2. 没有从问题的本质抓住后向传播的精髓。今天重温后向传播算法的推导,但重要的是比较前向传播和后向传播的优缺点,以及它们在神经网络中起到了什么不一般的作用,才让我们如此着迷。 反向传播的由来 反向传播由Hinton在1986年发明,该论文发表在nature上,高尚大的杂志啊。 Rumelhart, David E, G. E. Hinton,
1.引言 其实一开始要讲这部分内容,我是拒绝的,原因是我觉得有一种写高数课总结的感觉。而一般直观上理解反向传播算法就是求导的一个链式法则而已。但是偏偏理解这部分和其中的细节对于神经网络的设计和调整优化
前言:本文介绍神经网络中通过反向传播计算梯度的原理,并通过代码演示计算正向和反向传播中的矩阵相乘得出梯度。
在训练深度学习模型时,正向传播和反向传播之间相互依赖。一方面正向传播的计算可能依赖于模型参数的当前值而这些模型参数是在反向传播的梯度计算后通过优化算法迭代的。另一方面,反向传播的梯度计算可能依赖于各变量的当前值,而这些变量的当前值是通过正向传播计算得到的。
引言:6.14日“腾讯创新日:科技年技术盛宴”代表腾讯各个事业群技术实力的四级专家、腾讯微创新2016年度创意获奖团队欢聚一堂,一起畅谈AI、系统安全、架构设计、社交传播、推荐模式、游戏引擎等前沿科技和腾讯应用创新的台前幕后。来自WXG的搜索应用部数据中心总监、专家工程师陈川,就基于机器学习与动力学的社交传播研究,给大家进行了分享。 本次分享介绍了基于微信数据的社交传播研究,包括同质性、社会强化、传播价值等技术,以及在广告、表情等业务精准投放上的应用。 以下为陈川演讲实录 各位同事下午好,我是来自
武汉封城半个月,疫情依然严峻。但与17年前的SARS相比,我国在此次疫情防控工作中展现出了更高的医疗救治水平、更快的防疫反应速度、更透明的信息披露机制、更迅速的数据报送机制。
这部分是深度学习的重点,掌握了反向传播算法就相当于掌握了一半的神经网络算法。其实就是将损失函数产生的误差通过边进行反向传播往回传播的过程,传播的过程当中会得到每个边的梯度,有了这个梯度,就可以沿着反方向更新参数,不断的迭代,最后让参数越来越好,越来越符合当前样本的结构,学习到更多样本的知识。
太郎在超市买了2个苹果、3个橘子。 其中,苹果每个100日元,橘子每个150日元。 消费税是10%,请计算支付金额。
我们知道,图卷积(graph convolution )是AI算法中主流的网络学习方法,而网络传播(network propagation)是计算生物学中的主流方法,那么,二者有何密切联系和区别?在这篇文章中,作者通过深入研究网络传播背后的理论机制,发现网络传播其实是图卷积的一个特例。
在社会巨大的社交网络中,每一个人都以社群的方式散落在互联网平台上各个社群的“部落”中,如微信、微博、豆瓣、知乎、抖音等,我们如何在合适的场景下针对特定社群进行有效传播,如何最直接、有效地影响、“操纵”消费者,实现商业价值,营销专家绝对是其中的佼佼者,每一位营销大师都操控着人心、影响消费者。
微信公众号 关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第一 【Python】:排名第三 【算法】:排名第四 前言 在卷积神经网络(CNN)前向传播算法(干货 | 深度学习之卷积神经网络(CNN)的前向传播算法详解)中对CNN的前向传播算法做了总结,基于CNN前向传播算法的基础,下面就对CNN的反向传播算法做一个总结。在阅读本文前,建议先研究DNN的反向传播算法:深度神经网络(DNN)反向传播算法(BP)(深度学习之DNN与反向传播算法) DNN反向传播 首先回顾DNN的反向传播算
吴立德老师亲自讲解前馈神经网络和BP算法,让初学者对基础更加了解,对以后网络的改建和创新打下基础,值得好好学习!希望让很多关注的朋友学习更多的基础知识,打下牢固的基石,也非常感谢您们对我们计算机视觉战
本文是PatchMatchStereo[1]第二篇拾遗,主要讲解PatchMatch的深度/视差传播策略,以及在其基础上,介绍几种基于PatchMatch的改进传播策略,分别是ETH的Gipuma[2]方法和华中科技大学的ACMM[3]。不同于SGM在极线纠正之后的影像上进行同名极线(核线)上搜索,PatchMatchStereo在整个视差空间内进行搜索,既保证全局搜索的准确性,又提升了算法的效率。但其本身的传播策略无法极尽GPU效能,以至于PMS的立体像对视差估计速度比较慢。直到Gipuma等方法提出新的传播策略后,才使得GPU加速和PatchMatch算法在多视图立体中应用成为可能,因此,本文主要介绍传统方法中的视差/深度传播策略,并简要介绍一个在传播方面的经典深度学习方法。
机器之心整理 机器之心编辑部 现在的深度学习发展似乎已经陷入了大型化、深度化的怪圈,我们设计的模型容易被对抗样本欺骗,同时又需要大量的训练数据——在无监督学习上我们取得的突破还很少。作为反向传播这一深度学习核心技术的提出者之一,Geoffrey Hinton 很早就意识到反向传播并不是自然界生物大脑中存在的机制。那么,在技术上,反向传播还有哪些值得怀疑的地方? 反向传播的可疑之处 Geoffrey Hinton 对人工智能的未来非常担忧。在最近的一次人工智能会议上,Hinton 表示自己对于反向传播「非
反向传播算法(Backprop)是很多机器学习算法中主要使用的学习算法。但是在实践中,深度神经网络中的反向传播是一种非常敏感的学习算法,它的成功取决于大量条件和约束。约束的目的是避免产生饱和的激活值,这么做的动机是梯度消失会导致学习过程中断。特定的权重初始化和尺度变换 方案(如批归一化)可确保神经元的输入激活值是线性的,这样梯度不会消失,能够流动。
大家好,最近在重新整理 Spring 事务相关的内容,在看 Spring 事务传播行为这块内容的时候,发现了这篇优秀的文章,分享一下。
挂载命名空间是创建每-用户和每-容器文件系统树的强大而灵活的工具。本文中,我们将仔细研究共享子树特性,它可通过自动、可控的方式在挂载命名空间之间传播挂载和卸载事件。
点击上方蓝色字关注我们~ 相较于传统媒体,H5营销具有低成本、强交互和病毒式传播的特性。越来越多的品牌选择使用H5进行移动互联网营销,其中微信传播就是其中一个重要通道。 借由微信这个移动社交平台,品牌方可以通过多种形式的H5进行品牌宣传和活动推广。如何有效监测传播效果,了解更多维度的粉丝画像,找到H5活动的优化点,来提升传播率和转化率,成了众多品牌面临的难题。 而在企点营销的H5传播监测中,PV/UV只是其中的小小一环,更为重要的是能帮助品牌分析这个H5的传播层级、用户属性及流量来源等数据,为品牌接下
AbstractChannelHandlerContext
任何传播都期待有良好的效果,广播电视的收听收视率、报纸杂志的发行量与阅读率等通过受众调查获得的数据,只是勉强解决了粗放评估的需要,总有各种不够精细的缺憾。那么,在大数据的条件下,如何提升媒体的传播效果
大数据文摘作品 本文整理摘编自《炒作机器:社交时代的群体盲区》 作者锡南·阿拉尔著 虚假新闻的崛起很可能给民主、经济和公共卫生带来潜在的灾难性的后果,关于它如何以及为什么会在网上传播开来的科学研究目前才刚刚起步。直到2018年,绝大多数有关虚假新闻的科学研究都只能分析很少的一些孤立的样本,或者针对某个故事的传播进行案例研究,而且每次研究的对象都是一些孤立的个案。所以,我和我的同事苏鲁什·沃梭基、德布·罗伊决定着手改变这一现状,2018年3月,我们在《科学》杂志上发表了已经进行了长达10年的关于虚假新闻在网络
在上次作业中,已经实现了两层神经网络,但是有些问题,比如程序不够模块化,耦合度不高等问题,所以本节引出神经网络的层与层结构。本节主要实现一种模块化的神经网络架构,将各个功能封装为一个对象,包括全连接层对象,仿射层,Relu层等,在各层对象的前向传播函数中,将由上一层传来的数据和本层的相关参数,经过本层的激活函数,生成输出值,并将在后面反向传播需要的额外参数,进行缓存处理,将根据后面层次的提取与缓存值计算本层各参数的梯度,从而实现反向传播。
在SIGAI之前的公众号文章“反向传播算法推导-全连接神经网络”中,我们推导了全连接神经网络的反向传播算法。其核心是定义误差项,以及确定误差项的递推公式,再根据误差项得到对权重矩阵、偏置向量的梯度。最后用梯度下降法更新。卷积神经网络由于引入了卷积层和池化层,因此情况有所不同。在今天这篇文章中,我们将详细为大家推导卷积神经网络的反向传播算法。对于卷积层,我们将按两条路线进行推导,分别是标准的卷积运算实现,以及将卷积转化成矩阵乘法的实现。在文章的最后一节,我们将介绍具体的工程实现,即卷积神经网络的卷积层,池化层,激活函数层,损失层怎样完成反向传播功能。
要知道,现实情况往往比训练AI的数据集复杂N倍,而研究人员打造的模型,往往只是研究传播对象的前几个步骤,然后将这个速率引入复杂的数学模型之中,来预测传播的广度和速度。
今天介绍卷积神经网络(cnn)的训练方法,即:随机梯度下降和误差反向传播。 先说下推导的思路: (1)说明CNN是一种局部连接和权值共享的网络,这种网络可以看做是特殊的全连接网络,即不
这几天最火热的一个话题就是“冰桶挑战”了,TOMsInsight的分析师团队兴致勃勃,从社会群体性惩罚、群体认同心理、道德绑架、从众心理,代入追星,一直到阿希从众实验,甚至到米尔格拉姆实验,一路分析下
① 感知器 : 感知器 对应有监督的学习方法 , 给出已知的训练集 , 学习过程中指导模型的训练 ;
反向传播算法是训练神经网络的经典算法,是深度学习的最重要的基础,适合于多层神经元网络的一种学习算法,它建立在梯度下降法的基础上,通过迭代的方法求出目标损失函数(loss function)的近似最小值。
本文讲解了CNN(卷积神经网络)的前向传播算法,包括输入层、卷积层、池化层和全连接层,以及激活函数、损失函数和优化算法。同时,还介绍了一些常见的CNN架构,如LeNet、AlexNet、VGG、ResNet和Inception。最后,总结了一下CNN前向传播算法的过程,以及反向传播算法和训练技巧。
由于中外的通力合作,新型冠状病毒被有效地控制在国内。国外媒体和学者对此事高度关心。
点击蓝字 关注企点 之前企点君分享了【企点营销-社群营销】在 零售行业 中的实际应用场景 ,为了加深大家对社群营销的了解,今天企点君就再为大家分享一下上海某会展行业公司是如何通过社群营销实现 低成本-高转化 的。 会展行业的受众,也就是参展的人群主要有:主办方、展商、观众 ,不同的受众参展目的各不相同: 一般来说主办方和展商确定之后,为了促进供需对接和人气,必须获取精准的观众。而会展行业的特点就是为不同的行业举办不同类型的会议/展会,因此面向的观众也是不同类型的,比如家具展面向独立设计师/买手,
那么这一发现对于我们来说意味着什么?还有哪些传播途径值得关注?本文将简单讨论一下这些问题。
“越是民族的,就越是世界的”,与全人类共享文化经验是美好的愿景,但本土文化出海从来不是一件容易的事。在“新全球化”背景下,中国的故事要怎么讲?我国的跨文化传播叙事取得了哪些长足发展与成果?肖珺、李朝霞原发布于单波主编《中国传播创新研究报告(2019)》的一篇文章,作者对过去一年中国跨文化传播创新实践作出最新研究,从实际案例出发,探索了促进多元文化共同发展的新理念。 核心发现 2018年的整体情况表明,中国各类传播主体正在自觉或不自觉地实践跨文化传播: 1、观念创新主要解决“为什么”的问题,在逆全球化的对抗
code: https://github.com/open-mmlab/mmediting
📷 作者| 刘 旋 审核 | 李梦露 分享一篇北京大学崔斌教授团队发表在KDD 2022上关于图神经网络的文章:《Graph Attention Multi-Layer Perceptron》。图神经网络GNN在许多基于图的应用中取得了巨大成功。然而,大规模图的高稀疏性阻碍了它们在工业场景中的应用。虽然针对大规模图提出了一些可扩展的GNN,但它们对每个节点采用固定的𝐾-hop邻域,导致GNN模型在训练过程中对实际感知域不敏感,因此在稀疏区域内对节点采用大传播深度时,会面临过平滑问题。为了解决上述问
近日,火绒安全实验室监测到蠕虫病毒“Prometei”正在全网传播。该病毒通过横向渗透攻击方式对局域网中的终端进行大面积入侵,并且可以跨平台(Windows、Linux、macOS等系统)横向传播。火绒安全提醒广大用户,尤其是企业、政府部门、学校、医院等拥有大型局域网机构,及时做好排查与防护工作,避免受到该病毒影响。目前,火绒安全(个人版、企业版)产品已对该病毒进行拦截查杀。
当我们使用前馈神经网络接收输入 ,并产生输出 时,信息通过网络前向流动。输入x并提供初始信息,然后传播到每一层的隐藏单元,最终产生输出 。这称之为前向传播。在训练过程中,前向传播可以持续前向直到它产生一个标量代价函数 。反向传播算法,经常简称为backprop,允许来自代价函数的信息通过网络向后流动,以便计算梯度。
【新智元导读】大神 Geffery Hinton 是反向传播算法的发明者,但他也对反向传播表示怀疑,认为反向传播显然不是大脑运作的方式,为了推动技术进步,必须要有全新的方法被发明出来。今天介绍的谷歌大脑多名研究人员发表的最新论文Backprop Evolution,提出一种自动发现反向传播方程新变体的方法,该方法发现了一些新的方程,训练速度比标准的反向传播更快,训练时间也更短。
目前为止,学习了只有一个单独隐藏层的神经网络的正向传播和反向传播,还有逻辑回归,并且还学到了向量化,这在随机初始化权重时是很重要。
感谢李宏毅老师的分享,他的课程帮助我更好地学习、理解和应用机器学习。李老师的网站:http://speech.ee.ntu.edu.tw/~tlkagk/index.html。这个学习笔记是根据李老师2017年秋季机器学习课程的视频和讲义做的记录和总结。
领取专属 10元无门槛券
手把手带您无忧上云