智能投顾原理与主流产品分析

原作者  王希,CFA,中国光大银行。


核心观点:


1、智能投顾的模式是通过技术实现财富管理的流程自动化,为客户定制FOF产品来投资并赚取管理费。目前尚未看出大数据分析、人工智能等技术在其中发挥出关键作用。

2、智能投顾在美国的快速发展离不开强大的被动型投资产品,即低成本、跟踪误差小、流动性好的ETF。

3、由于国内市场是散户市,大部分人的投资理念还停留在投机交易,这使得大类资产配置、被动投资的理念在国内被接受的程度不高,也从一定程度上制约了智能投顾在国内的发展。

4、随着智能投顾的深化发展,现有简单FOF策略必然陷入业绩平庸化,可以预期利用人工智能技术实现量化投资策略的快速开发是未来的发展趋势。


正文: 


近年来,以Bettermnet和Wealthfront为代表的智能投顾在北美地区野蛮生长,而随着去年年底(2016年)招商银行摩羯智投上线,更是彻底引爆了国内的智投行业。智能投顾到底是什么?智能投顾真的是人工智能吗?未来能否颠覆资产管理行业的商业模式?


投顾顾问的工作



在聊智能投顾之前,我们先来说说什么是投顾?我们家老太太一听这个可起劲了,“投顾我知道啊,楼下那个XX证券的张老师,附近几个小区的都爱听他讲课,15年牛市时我们都找他带盘、每周有讲座,但跟着他做佣金不能万三了,得收千二”。没错,这就是我们在国内见到的绝大多数投顾,每天带着散户们追涨杀跌、频繁交易,无论是在电视里侃侃而谈,还是在广播里对着K线品头论足,反正核心盈利模式就是收取更高的股票交易佣金。牛市还好,熊市也只能天天挨骂、减少推荐、再不济换个营业部接着混。


显然,“投资顾问”在国内明显被狭义化了,当然这与国内散户热衷炒股的风气有很大关系。反观美国,由于现代金融学的长期投资、资产配置的理念深入人心,投资者风险偏好较低,并不像国内这样散户炒股蔚然成风。美国的财富管理服务主要包括三类:第一类是基本的投资和交易服务,包括股票、债券、共同基金、期权等产品的交易服务和非传统的对冲基金、私募基金等结构化产品的交易服务等,主要根据客户要求执行交易,也就是带客下单服务。第二类是协助管理服务,包括根据客户情况制定理财规划、退休规划和遗产规划的规划服务,提供投资组合管理及证券投资建议服务,以及基于客户资产配置需求提供基金筛选服务。第三类是受托管理服务,协助客户选择合适的外部投资产品的间接受托服务,以及有财富顾问直接全权负责客户资产管理的直接受托服务。


那么,一个较为完整的个人财富管理过程是什么样呢?首先,是投资顾问通过当面访谈、问卷调查、性格测试等方式了解客户,提供咨询服务;然后为客户编写IPS(投资规划书)、制定资产配置方案(SAA);客户确认后,执行交易构建组合(execution);定期对组合进行跟踪并调整头寸(Monitor &Rebalance);每季度对组合业绩进行分析与报告(Performance)等等。


1、IPS

IPS是财富管理服务的基础与核心,直接关系到客户的收益与风险目标。IPS中应该包括如下维度的内容(简写RRTTLLU),收益目标(Return)、风险目标(Risk)、投资期(Time Horizon)、流动性需求(Liquidity Needs)、税收需求(Taxes)、法规要求(Legal&Regulatory)、独特需求(Unique Circumstance);此外,还要结合考虑客户的财富状况、子女状况、遗产规划、性格特点等等。


2、Asset Allocation

在IPS中确定好了客户的收益率和风险目标后,就以现代投资组合理论为基础,找到客户的有效前沿(后面会详细讲),并在大类资产分类中,寻找合适的产品进行资产分配,确定客户的组合。


3、Execution

执行交易,构建组合,这一部分通常由公司中的交易团队来完成。


4、Monitor & Rebalance

通常是采用定期(每月或每季度)的方式,对组合进行检查,一旦超过偏离度阈值,就进行再平衡操作,以保证组合与目标的资产分配一致。


5、Performance Attribution

报告直接关系到了客户是否对财富管理的结果是否满意,所以定期要给客户发送业绩报告,并应在报告中进行业绩归因,从而让客户更加认可管理能力。


6、其他

个人财富管理中很重要的是税务规划,包括遗产税、财产税、递延资本利得税等等,美国投资相关的税收优惠工具很多,投资放在哪个账户里差异很大,举几个例子:


1)tax loss harvesting(卖掉亏损股票来抵税)是一个很好的抵税工具,这在避税规划中是一个很重要的部分;

2)Estate Planning为规避遗产税、赠与税,在理财方案中对于子女继承方式都会有规划,比如家庭信托计划、寿险子女受益产品。


私人财富管理服务一定是定制化的,一个高端私人理财顾问最多也只服务于20-30个客户,但客户的门槛也比较高,平均要在100万美元资产左右。而代客经纪等业务的投资顾问往往一个人要服务200个以上的客户,能为客户量身定制的服务内容很少。那么随着越来越多的中产阶级需要更好的理财规划、养老金投资计划等服务,但又达不到私人银行门槛时,是否可以借助互联网来实现这个定制化流程,在满足他们的服务需求同时降低门槛?




智能投顾的原理



智能投顾就是在这种背景下诞生于美国。智能投顾的英文名叫robo-advisor,单从字面的翻译看,应该叫机器人顾问。按照Betterment和Wealthfront的声明,智能投顾是完全基于现代投资组合理论(MPT,Modern Portfolio Theory),结合投资者的财务状况、风险偏好、理财目标等,运用云计算、大数据、机器学习等技术搭建的数据模型和后台算法为投资者提供相关资产配置建议(当然大数据和机器学习是否运用到了有待讨论)。至少可以这样说,智能投顾是以前面讲述的财富服务流程自动化为服务模式、以现代投资组合理论为算法基础、以人工智能化为发展目标。


接下来,我们先简单看一下现代投资组合理论(MPT,Modern Portfolio Theory),1952年,Markowitz在《金融杂志》上发表了论文《证券组合选择》,该篇论文及其观点也被称为“均值-方差”模型,该论文与模型可以说是现代证券组合理论体系的基石,而Markowitz也因此奉为现代金融学的开山鼻祖。


均值-方差模型的核心假设包括:1)投资者都是风险厌恶的;2)所有的投资者都力图在风险既定的水平上取得最大收益;3)影响投资者决策的有两个参数,期望收益率和方差。在这些假设基础上,该模型详细论述和推导了在既定的风险水平下,如何使证券组合的期望收益率最大,或或者说在既定的预期收益率下,如何使风险最小。其核心结论是,投资者可通过构建具有较小甚至为负相关性系数的资产组合,能够实现在降低非系统性风险的同时,维持组合的期望收益率不变;或者在一个证券投资组合中,当各证券的标准差及每两种资产的相关系数一定时,减少投资组合风险的唯一办法就是纳入另一资产,扩大投资组合规模。


文字有点绕,我们来简化一下。首先,假设我们的篮子里只有两个风险资产(即沪深300、标普500指数),用历史平均收益率来代表资产的Return,用收益率的标准差来代表资产的Risk,那这两个资产构成的组合的Return和Risk,分别用R(p)和σp2表示:

R(p)=W1R1+ W2R2W1代表第一个资产的权重;R1代表第一个资产的收益率

σp= W12σ1+ W22σ22+ 2 W1 W2σ1σ2ρ1,2  ,2  σ1代表第一个资产收益率的标准差;ρ1,2代表两个资产的相关性系数


如图所示,标普500和沪深300在过去10年的相关性系数为0.226(来源:WIND资讯)。



于是就有了如下这样一张图,在三角形范围内,两个资产的相关性不同,组合可能出现在不同的位置。


 

在下图中我们看到,当组合中资产的数量不断增多,甚至极限多到把全球所有的资产都放进来进行组合的时候,理论上就形成了无数种可能的组合(图中的散点),这其中必然有一个点是方差最小的,这个点就叫做全球最小方差组合;由于理论的前提条件是同样收益率选方差小(同样收益选风险小的)、同样方差选收益率高的(同样风险选收益高的)的组合,所以实际上只有图中的实线上的组合才是有效的,而这条实线就是大名鼎鼎的有效前沿(Efficient Frontier)。


后来,Markowitz的学生William Sharp在均值-方差模型的基础上,通过在组合中加入无风险资产(rf),找到了一条与有效前沿相切于M点的直线,即资本市场线(CML),并从而推导出了经典的CAPM(资本资产定价)模型,于是我们才知道了什么是贝塔。


前面说了财富管理工作流程与现代投资组合理论(有些枯燥),其实智能投顾倒也没什么太高深的(大数据、AI也就是说说),我的理解就是按照财富管理的工作流程,加上投资组合理论的数学基础,实现出来的自动化理财平台。当然,在自动化、智能化的实现上有如下几个关键点需要关注:


        1) 如何得到客户的投资目标和限制

得到客户的投资目标,也就是要确定客户的预期收益率和风险水平(收益率的均值与标准差),此外还需要了解前面提到的投资期限、流动性需求、税收需求、法律合规要求、投资标的限制、个人性格特点等等。


在这一点上看,传统的投资顾问需要花上很多时间与客户当面进行沟通,甚至长期服务,才能了解客户的需求,从而得到一个相对准确的判断;而智能投顾既可以利用一些问卷和测试题目,对一些标准化的内容进行快速的量化评估、等级划分;进一步扩展的话,还可以利用大数据技术对客户的过往交易记录、财务状况等数据,进行建模分析后,得出更为准确的“客户画像”。


2)如何在有效前沿上进行资产分配

当拿到组合的预期收益率和标准差后,我们就需要在可投资的资产池中,根据每个资产的历史收益率、标准差,以及资产间的相关系数,找到合适的资产,并给出一个最优的资产配置权重,使得理论上应得到一个在有效前沿上的投资组合。


上述方式,实际上就是一个数学上的反向最优化的求解过程,由于我们不可能像理论上那样去构造无限多资产的一个组合,且因子过多时,相关性矩阵会导致运算步骤过于复杂,因此通常我们会设定一个资产数量的限制。比如我只选择10-20个资产来构建组合(后面会看到很多平台是这样做的)。

假设用3个资产来构建组合,当我们已经组合的收益率R(p)、风险σp、每个资产的收益率Rn、风险σn、彼此的相关性系数(ρ)时,用最优化的方法求出每一个Wn

R(p)=W1R1 + W2R2+ W3R3

σp= W12σ1+  W22σ2+  W32σ32+ 2W1W2σ1σ2ρ1,2 + 2 W2W3σ2σ3ρ2,3+2 W1W3σ1σ3ρ1,3


3)组合再平衡的自动化策略

智能投顾采用的是资产配置+被动管理的策略,是一种机器人定投方法。首先智能投顾实现了对组合权重进行7*24小时的实时监控,可第一时间发现组合偏离情况;其次是避免了基金经理对市场的择时判断带来的风险;再有是避免了交易员或投资者因情绪化带来的冲动交易或畏惧交易。


为避免市场震荡导致的频繁再平衡(提高交易成本),再平衡策略中还需考虑加入时间频率的因子。


当前主流产品的分析



一、Betterment和Wealthfront

Betterment和Wealthfront是当下最为知名的智能投顾FinTech公司,这两家公司基本都是在2010年后开始起步,早期也都是做优化股票投资组合起家的,后来在2013年开始转型智能投顾平台,目前两家管理的财富规模分别为90亿和65亿美元。


1、平台的主要特性

美国的投资账户种类繁多,Betterment和Wealthfront支持的账户也较为全面,除了正常的taxable投资账户外,还包括多种IRA(个人退休账户)账户、信托账户;对taxable账户还支持tax-loss harvesting,可通过自动计算,卖出亏损头寸用来抵税;在组合持有期支持实时的监控,并自动化进行再平衡。

相比之下,Wealthfront还新开通了对529 college plan账户的支持(为子女上学设立的大学教育储蓄账户)。


2、客户评级

在投资开始前,会通过几个很简单的问题开展风险测评,问题包括年龄、财富、家庭资产、家庭收入来源、面对亏损时处理方法等,两家也都根据回答直接给出了Risk Score(1-10),并基于这个打分来划分风险等级。


3、资产池与资产配置

Wealthfront在其whitepaper中详细阐述了投资的流程(与我前面讲的基本一致):找到大类资产-》选择低成本ETF来跟踪大类资产-》确定客户的风险与收益-》使用MPT理论来进行资产分配-》跟踪并再平衡组合


首先,看看大类资产的定义。大类资产包括了US STOCKS(美国股票)、FOREIGN STOCKS(美国之外的股票)、EMERGING MARKETS(新兴市场国家股票)、DIVIDEND STOCKS(高分红股票)、USGOVERMENT BONDS(美国国债)、COPORATE BONDS(公司债)、EMERGING MARKET BONDS(新型市场国家债券)、MUNICIPAL BONDS(市政债券)、TIPS(通货膨胀调整债券)、REAL ESATE(房地产)、NATRUAL RESOURCES(能源类商品)。


根据每一个大类资产的历史收益率,列出了用不同模型调整后的评估收益率,包括CAPM模型、BL模型、调整费率和税率后的收益等,并给出了wealthfront主观进行调整后的评估收益率。


根据历史数据,推测出的大类资产标准差数据(风险)


       大类资产间的相关性矩阵:


下面,再看看资产池。Betterment的资产池包括了6支股票ETF、7支债券ETF(见下图),全部都是vanguard(先锋)和ishares(安硕)这两家知名公司的产品,流动性非常好。

标的列表:


相关性矩阵:


Wealthfront的资产池也包括十几支ETF,但是会根据账户类型的不同(是否免税账户)进行微调。池中主要以如下ETF为主,4支股票ETF(也都是先锋的,有3只和Betterment重叠)、4支债券ETF(安硕和嘉信),2支和Betterment重叠)、2支另类ETF。

标的列表:


相关性矩阵:


由此可以清晰的看出,Bettement和Wealthfront在资产配置上的方法是,确定大类资产的范围,选择优质的低成本ETF进入资产池(10-13个左右)用来跟踪并代表大类资产,根据个人Risk Score的级别(10个级别左右),调整各资产的配置比例,从而使组合满足不同的收益率与风险目标。但我们也发现,在Betterment和Wealthfront的组合展示中并未给出预期的收益率水平。


4、管理费率

毫无疑问,两家都是低成本、低费率模式路线,买卖ETF是不收取客户任何佣金的,所以两家的收费模式都是收取管理费,按照资产规模0.25%的年费费率结构,Betterment更是做到了5000美金管理费封顶。近期,两家又都开始搞premium版,计划通过增加人工服务混合服务,收取0.5%的管理费。


 

二、招商银行摩羯智投

作为国内零售银行的标杆,2016年12月招商银行上线了摩羯智投,备受市场和投资者关注。由于彼此是友行,所以我们接下来要重点看看摩羯的特点。


1、产品特性

摩羯智投并不是一个独立的APP,而是嵌入在招行手机银行的理财板块中。从招行的宣传页面上,我们看到了人工智能、机器学习等热点概念,再配上机器人以及星座的名称,有种未来已来的感觉。


与美国不同,在国内我们并没有什么税收优化的诉求和必要,而且银行的理财板块无非就是销售理财产品、基金、贵金属等等。因此,摩羯智投作为银行基金销售的子模块,其模式就是推荐一揽子基金,提高用户体验的同时,增加银行的基金代销收入。


2、客户评级

在客户评级这点上,摩羯并没有按套路出牌,而是跳过了客户问卷调查、风险测评,直接给客户两个输入项,由客户自己选择投资期限、风险承受级别。投资期限分为短期(0-1年)、中期(1-3年)、长期(3年以上)三档,风险承受级别分10个档,这样就有了30个组合。在选择组合的时候,会同步输出组合的模拟历史年化业绩和模拟历史年化波动率,并在最下面的一行小字中给出了风险度量的VAR值,97.5%概率下亏损不超过XX元。(不管准不准,这是绝对的加分项)



3、资产池与资产配置

摩羯的组合共有30个,命名为摩羯1号到摩羯30号,每个组合会配置四个大类资产,包括固定收益、股票、另类及其他、现金及货币,在这四大类资产间通过配置不同的基金进行权重分配,从而匹配前面客户输入的收益率与波动率。


通过对30个组合进行遍历,我们很容易就找到了资产池中的全部18支基金,其中包括了7支混合型基金、5支债券型基金、3支QDII基金、2支另类投资基金、1支货币市场基金。


看了Betterment和wealthfront的资产池后,不禁要对摩羯的资产池提出几个问题:

1)关于主动型基金

我们看到Betterment和wealthfront做智能投顾的一个核心理念就是大类资产配置+被动管理+不择时,因此对每一类资产都可根据其长期的历史收益率,来估计资产的预期收益率。在这个预期收益率的基础上,完全用被动的ETF去跟踪并获得该大类资产的平均回报。只有这样,做出的组合配置才更有效,与预期收益率和风险更为匹配。


而使用主动型管理基金来配置大类资产,本身就会有基金经理主观的择时、会有阿尔法(选择股或债),所以主动型基金的历史收益率和风险,不太容易预估,而且也不太可能代表某大类资产的预期收益率。


2)关于混合型基金

这一点应该是我最不能理解的,感觉思路有一些混乱,实在不明白混合型基金应该算在哪个资产分类里,如果风格(mandate)模糊的话,肯定会导致组合的“策略漂移”,资产权重、收益率都会与预期发生很大的差异。


3)关于基金成立时间

当看到几支成立时间少于三年的新基金(还有今年成立的)后,我就对前面提供的回溯3年业绩的评估界面存在疑问了,新基金的3年回溯数据哪来的?观察期短的话,我们如何保证业绩的稳定?



4、关于费率

打开摩羯每一个基金的费率说明可以看到,债券型基金的费率结构普遍是申购费率为0,赎回费率0.3-0.5%;混合型基金基本上是申购购费率1.5%,赎回费率0.5-1.2%;目前尚不清楚招行的手机银行渠道基金费率折扣是多少,如果不打折的话,每年组合再做几次再平衡,基金交易成本对收益率的影响也是巨大的。


举个例子,100万资金,30%投向股票类资产(中风险5档),假设平均基金的总费率(申购+赎回)是2.5%,每季度再平衡一次(频率不高),每次平衡股票资产的仓位5-10%,单就股票类资产产生的总费率大约在0.15-0.3%,这对于年预期回报7%左右的组合来说,影响不小。


三、投米RA、蓝海智投、璇玑

1、蓝海智投

蓝海智投是一家FinTech公司,产品的定位是海外直投,可提供5个美元投资组合,5个人民币组合,投向均为海外资产。美元组合中包括了十几只ETF(很多与wealthfront一致),人民币组合主要是9-10支QDII基金。


这种模式的几个特点和问题:1)客户需要在美国盈透证券开户,并承担盈透交易ETF的手续费;2)客户需自行购汇并电汇到盈透,受个人外汇5万美元额度限制,且外汇管制的政策风险较高(国内银行已拒收所有国外投资公司的电汇);3)QDII基金在投资海外资产的同时,虽不受外汇额度限制,但基金管理费要比国内的其他主动型基金更高;4)客户的风险敞口全部是外国资产,当然这也是蓝海的定位。


2、璇玑

璇玑也是国内的一家FinTech公司,从产品上看比较简单,目前没看出什么特色。通过问卷调查后,给客户定出了6个风险等级,每个评级只对应了6-7支基金(部分与摩羯一致),相比摩羯,资产池中增加了香港恒生ETF和黄金ETF产品(越激进的等级,配置越多)。


3、投米RA

投米RA是宜信财富旗下的产品,分为海外RA组合、境内RA组合。海外RA组合也是需要客户先在老虎证券进行美股开户,组合中包括了10支低成本ETF(基本都是先锋、安硕、SPDR的ETF,部分与Betterment一致);境内RA组合的资产池包括了9支开放式基金(和摩羯类似,也有部分混合基金)。


        4、雪球、金贝塔

雪球和金贝塔(嘉实旗下)的路线比较接近,都走的是营造社区、捧红大V、消费粉丝、推荐组合的路线。尤其值得一提的是雪球,作为国内最大的股票社交软件,营造了很多知名的草根大V,前几年先是组织大V荐股,随后又推出了蛋卷基金。而蛋卷基金除了做公募基金的代销外,还有很多雪球上大V定制的FOF,可实现一键跟单的功能。


 

最后,总结一下本文的核心观点:

1、通过本文的详细剖解,不难看出智能投顾的模式是通过技术,实现财富管理的流程自动化,为客户定制FOF产品来完成投资,并赚取管理费。这是一种简单的大类资产配置、被动投资、长期定投的策略。目前尚未看出大数据分析、人工智能等技术在其中发挥的作用。


2、智能投顾在美国的爆发性成长与其拥有一个强大的被动投资市场有很大关系,尤其是许多低成本、跟踪误差小、流动性好的ETF。这些ETF作为FOF中的底层基金,能很好的跟踪各类资产的收益率与风险,从而实现长期被动的大类资产配置策略。


3、目前国内的几款智能投顾产品,有的迫于牌照只能通过美股券商开户来模仿wealthfront、有的则成为高费率基金的代销噱头、有的利用大V消费粉丝(大V建FOF的随意性强),我们认为这些模式应该是不可持续的。而由于国内市场是散户市,大部分人的投资理念还停留在投机交易,这使得大类资产配置、被动投资的理念在国内被接收的程度不高,也从一定程度上制约了智能投顾在国内的发展。


4、随着智能投顾的深化发展,现有的简单FOF定投策略,必然陷入业绩平庸化,而利用机器学习、人工智能技术,来快速开发量化投资策略,才应该是未来的发展趋势。试想一下,如果机器学习了世界顶级“宽客”们的策略模型,并且不断在其基础上优化、快速建立新的投资策略。那么,当人类全部被从市场扫地出门后,是不是真的会达到有效市场假说(EMH)了?





本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/480258.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

POJ 1442 Black Box(大小堆,求第K小的元素)

文章目录1. 题目链接2. 题目解读3. 代码3.1 Runtime Error 代码1. 题目链接 http://poj.org/problem?id1442 2. 题目解读 可以利用大小堆,大堆长度从1开始,每次1 大堆元素都比小堆的小,那么大堆顶的元素就是第k小的元素 3. 代码 3.1 Run…

阿里java架构师面试128题含答案:分布式架构+Dubbo+多线程+Redis

一、Java基础和高级 1.String类为什么是final的。 2.HashMap的源码,实现原理,底层结构。 3.反射中,Class.forName和classloader的区别 4.session和cookie的区别和联系,session的生命周期,多个服务部署时session管理…

LightGBM——提升机器算法(图解+理论+安装方法+python代码)

原文地址:https://blog.csdn.net/huacha__/article/details/81057150 前言 LightGBM是个快速的,分布式的,高性能的基于决策树算法的梯度提升框架。可用于排序,分类,回归以及很多其他的机器学习任务中。 在竞赛题中&am…

这个NLP工具,玩得根本停不下来

今天推荐一个有趣的自然语言处理公众号AINLP,关注后玩得根本停不下来!AINLP的维护者是我爱自然语言处理(52nlp)博主,他之前在腾讯从事NLP相关的研发工作,目前在一家创业公司带技术团队。AINLP公众号的定位是…

论文浅尝 | 基于Universal Schema与Memory Network的知识+文本问答

来源:ACL 2017链接:http://aclweb.org/anthology/P17-2057本文提出将 Universal schema 用于自然语言问答中,通过引入记忆网络,将知识库与文本中大量的事实信息结合起来,构建出一个由问答对(question-answe…

数据结构--图 Graph

文章目录1. 概念2. 存储方法2.1 邻接矩阵 Adjacency Matrix2.2 邻接表 Adjacency List3. 图的遍历3.1 广度优先搜索BFS(Breadth First Search)3.2 BFS代码(基于邻接表)3.3 深度优先搜索DFS(Depth First Search&#xf…

2019最新拼多多Java面试题:幻影读+分段锁+死锁+Spring Cloud+秒杀

拼多多Java一面 简短自我介绍 事务的ACID,其中把事务的隔离性详细解释一遍 脏读、幻影读、不可重复读 红黑树、二叉树的算法 平常用到哪些集合类?ArrayList和LinkedList区别?HashMap内部数据结构?ConcurrentHashMap分段锁&…

视频问答兴起,多跳问答热度衰退,92篇论文看智能问答的发展趋势

星标/置顶小屋,带你解锁最萌最前沿的NLP、搜索与推荐技术文 | 舒意恒(南京大学硕士生,知识图谱方向)编 | 北大小才女小轶2019年的时候,舒意恒Y.Shu整理了一份《2019年,智能问答有哪些研究方向?…

论文浅尝 | 知识图谱相关实体搜索

本文转载自公众号:南大Websoft。相关搜索(Relevance Search)是信息检索中的一个经典问题,相关搜索是指给定一个查询实体,返回与其相关度最高的实体(一个类似的问题Similarity Search,一般来说指…

最新美团Java面试题目(共3面)

一面 线程池用过哪些,线程池有哪些参数,然后问我几个常用线程池的用法和实际场景问题。 集合框架的知识,hashmap,ArrayList,LinkedList源码相关知识,基本整个介绍了一遍,与hastable&#xff0c…

PersonGraphDataSet近十万的开放人物关系图谱项目

PersonGraphDataSet PersonGraphDataSet, nearly 10 thousand person2person relationship facts that build from extraction method, which can be applied to person kg search and inference applications。 人物图谱数据集,近十万的人物关系图谱事实数据库&am…

图Graph--寻找二度好友(BFS应用)

社交网络可以用图来表示(查阅图的概念)。 寻找二度好友,这个问题就非常适合用图的广度优先搜索BFS算法来解决,因为广度优先搜索是层层往外推进的。 首先,遍历与起始顶点最近的一层顶点,也就是用户的一度好…

技术动态 | TechKG:一个面向中文学术领域的大型知识图谱

作者:东北大学-知识图谱研究组 任飞亮TechKG 是一个面向中文、面向学术、多领域的大型知识图谱知识库,知识库由“东北大学-知识图谱研究组”开发完成。和已有知识图谱如 Freebase 或 YAGO 相比,TechKG 具有如下主要特点:1、是一个…

技术总结:图算法、开源工具及其在工业界的应用场景概述

知识图谱本质上是一种图结构,在图内部数据规模大且质量高、外部算力足够的情况下,充分利用好图算法,能够最大程度地发挥出其数据价值。实际上,图(Graph)是一个常见的数据结构,现实世界中有很多很…

SIGIR2020 | 淘宝提出结合知识图谱与大规模推荐的新框架ATBRG

星标/置顶小屋,带你解锁最萌最前沿的NLP、搜索与推荐技术文 | 江城编 | 夕小瑶今天分享一篇淘宝发表在 SIGIR2020 上的关于知识图谱应用于大规模推荐的论文《ATBRG: Adaptive Target-Behavior Relational Graph Network for Effective Recommendation》&#xff0c…

图Graph--农夫过河问题(BFS/DFS应用)

农夫过河问题: /*** description: 农夫过河问题(羊,白菜,狼),一次最多带一个东西过河,* 农夫不在的情况下羊会吃白菜,狼会吃羊,如何平安过河* author…

机器学习之「二分类算法」-----银行营销案例分析

原文地址&#xff1a; <di&#xff1a;https://blog.csdn.net/weixin_44696674/article/details/88231922iv id“article_content” class“article_content clearfix” data-track-view"{“mod”:“popu_307”,“con”:",https://blog.csdn.net/weixin_44696674/…

论文浅尝 | 直译优于翻译?混合语言的知识库问答方法研究

动机作者思考&#xff0c;如果一个人懂多个语言&#xff0c;那么只要他知道某一语言的某个事实&#xff0c;就能以它作为另一语言问题的答案&#xff0c;同时希望证明计算机是否也能做到这一点&#xff0c;并完成混合语言的简单问题知识问答任务&#xff08;Code-Mix Simple Qu…

2018最新Java面试78题:数据结构+网络+NoSQL+分布式架构

算法和数据结构 数组、链表、二叉树、队列、栈的各种操作&#xff08;性能&#xff0c;场景&#xff09; 二分查找和各种变种的二分查找 各类排序算法以及复杂度分析&#xff08;快排、归并、堆&#xff09; 各类算法题&#xff08;手写&#xff09; 理解并可以分析时间和空…

工程实践:基于规则模式的军事和医药领域知识图谱问答快速实现

知识结构化问答是知识图谱的一个重要的应用方向&#xff0c;虽然现在许多真实的使用体验上&#xff0c;会被评价为“鸡肋且智障”&#xff0c;并且在落地上还没有太多的付费场景&#xff0c;但也不乏有不少学生、公司、机构在尝试花时间去做这个事情。当前&#xff0c;医疗知识…