这个问题真的是问到点子上了！！！作为一个互联网行业从业者，我身边有很多朋友经常会问我很多问题，他们通常以为解决了某个问题，就能立马大卖，走上人生巅峰然而，很残酷的告诉你，并不能，深度学习你只能学会术，学一些小技巧，小门道，就像是派代上很多普及推广知识的帖子一样，你看了学习了就等于会了这个术，可真有一天给你个店铺，你还是不知道怎么办？为什么，市场不一样啊，方向不一样啊，换个词就是道不同啊，你的产品和他的产品在市场中处的位置有很大的区别啊，举个例子，派代中有很多开直通车的普及帖子，你一看，顿时觉得豁然开朗，马上充钱去烧，结果并不是那么回事是你技术的问题？并不是，别人开直通车的思路也许是占位置，堵流量，也许是做排名，也许是做增量，也许是做销售额，而你呢？目地都不同，你能复制他的模式吗？别说是你学习，就是同一个人去操盘同样产品的不同店铺，他有可能都复制不了前一次的成功！虽然学习不能解决全部的问题，但是学习还是很有必要的，算不算废话？

基于深度神经网络的实际应用已经不再是纸上谈兵了，它们正在语音识别、图像处理和机器翻译等许多领域创造更大的价值。京东业务增长部（Business Growth Division）近日连发两篇论文，介绍了这家中国电商巨头为电商和广告应用开发的两个神经网络模型 LADDER 和 Telepath。值得一提的是，这两个模型现在都已经在京东的系统中得到了实际应用。论文一：LADDER：一种用于大规模实时在线拍卖的人类水平的投标代理（LADDER: A Human-Level Bidding Agent for Large-Scale Real-Time Online Auctions）论文地址：https://arxiv.org/abs/1708.05565

我们提出了 LADDER，这是第一种可以为大规模真实世界问题直接从由高级语义信息构成的原始输入中直接成功学习得到控制策略的深度强化学习智能体。这种智能体基于 DQN（深度 Q 网络）的一种异步随机的变体 DASQN。该智能体的输入是不完全信息博弈的状态的纯文本描述，即实时的大规模在线拍卖，而其奖励（reward）是非常大规模的拍卖利润。我们将这个智能体应用到了京东在线 RTB（实时竞价/real-time bidding）广告业务的一个关键部分上，发现其可以轻松击败之前最佳的投标策略——这个策略是由人类专家精心设计开发和调节校准的：在 JD.com 6 月 18 日的周年庆销售中，该智能体为公司在这一部分的广告收入带来了超过 50% 的增长，同时广告客户的 ROI（投资回报率）也有显著提升。图 2：京东 DSP（需求方平台）架构的设计和演进表 1：LADDER 的卷积网络的架构算法 1：深度异步随机 Q 学习（DASQN）图 3：LADDER 的异步部署的示例图 5：在京东 6 月 18 周年庆销售上的实验数据图 7：LADDER 的 t-SNE 可视化。不同的颜色表示不同的发行商（a）和不同的语义（b）论文二：Telepath: 在大规模推荐系统中从人类视觉角度理解用户（Telepath: Understanding Users from a Human Vision Perspective in Large-Scale Recommender Systems）论文地址：https://arxiv.org/abs/1709.00300 要设计一个服务于数亿活跃用户的电子商务推荐系统，难度让人望而却步。从人类视觉的角度来看，存在两个影响用户行为的关键因素：商品的吸引力和它们与用户兴趣的匹配度。本论文提出了 Telepath，这是一种基于视觉的仿生推荐系统模型，它可以从这个角度理解用户。Telepath 结合了卷积神经网络（CNN）、循环神经网络（RNN）和深度神经网络（DNN）。它的 CNN 子网络可以模拟人类视觉系统来提取商品吸引力的关键视觉信号并生成对应的激活（activation）。它的 RNN 和 DNN 子网络可以模拟大脑皮层，可基于由浏览商品生成的激活来理解用户的兴趣。实际上，Telepath 模型已经被装进了京东的推荐系统和广告系统中。将其作为京东应用的主要商品推荐模块之一之后，点击通过率（CTR）、商品交易总额（GMV）和订单量分别增长了 1.59%、8.16% 和 8.71%。对于京东需求方平台的几家主要广告发行商而言，CTR、GMV 和投资回报率在该模型第一次推出时分别增长了 6.58%、61.72% 和 65.57%，之后第二次推出时又进一步增长了 2.95%、41.75% 和 41.37%。图 1：推荐系统流程图图 2：Telepath 的架构表 1：CNN 子网络的架构