首页 > 热点资讯 >新闻内容

餐饮店为什么不好做?

2020年09月28日 18:01

2019年中国餐饮外卖的市场整体交易规模达到1952.9亿元,餐饮市场的交易额呈不断上升的状态。


 餐饮行业虽说是三年一小坎,十年一大坎,而今年的餐饮行业,倒闭关店的比比皆是。随着外卖平台对商家的让利逐渐减少,佣金比例的不断提高,很多餐饮店正在走下坡路,一天的外卖量就那么几单,甚至有的外卖一单连一块钱也赚不到。





外卖红利潮水的退流,那些本就举步维艰的餐饮商家们,转租的转租、倒闭的倒闭。那个只要随便开一家店就能赚钱的时代,早已一去不复返了。




餐饮店为什么不好做?

如今的餐饮行业竞争激烈是众所周知的事情,餐饮作为消费者必须消费的领域,每年都有源源不断的外行人踏进餐饮行业,有人的地方就有餐饮店,分摊着本就不大的市场。



几十家店抢两条街的客流量,你说,餐饮能好做吗?观察一下身边的地区就不难发现,同一家店铺,一年能换好几个老板。餐饮店开的越多,对顾客来说选择性就越多,结果就造成餐饮行业的竞争愈加激烈。有的店铺为了获取更多的客流量,不惜大幅度的降价,这就造成餐饮行业整体利润的下滑,许多小餐饮店因为长时间的亏损和激烈的竞争而选择关店,黯然退场。






没有客流量就代表着没有收益,店铺想要让消费者进行消费,就必定要进行“曝光”。餐饮商家最常见的“曝光”方式就是在某团、某饿了上进行流量转化。这种引流方式成本较高且充满不确定性,想要获取更多的“流量”,作为商家就要不断的投钱,无休止的被压榨。你说你不投钱,那么你家的餐饮店线上客流量直接跌到0




做过餐饮的人都知道,想要获取更多的订单,某团和某饿了是必须要入驻的,这两大外卖平台能为店铺带来非常大的流量,可同时,每个外卖订单要收取15%-25%的抽成

眼看外卖平台的佣金一路飞涨,利润越做越低,很多餐饮朋友都抱着一个想法:等到真做到无利润可赚的那一天,就彻底的从外卖平台退出。

许明开一家餐饮店,店里每月的外卖营业额为5万元,按照20%的抽成比例,他一个月就要给外卖平台1万元,一年就是12万,抛去人工、租金、水电等成本,利润所剩无几,许明觉得与其被压榨不如选择别家平台,租客网旗下的租客惠,没有高额的佣金提成,是许明选择入驻的最大理由。租客惠依靠着租客网数百万的租客,有着强大的流量,租客在消费之前会在租客惠上领取优惠券,通过这种方式,提升消费者到店消费的意愿。


羊毛出在羊身上,外卖平台的抽成高了,多出的成本自然要消费者来承担。一份普通的水饺,在店内堂食仅为10元,到了外卖上,一份水饺的价格涨到了15,这在餐饮行业里早已不是秘密。


       在这个外卖为主的时代,想要平台降低抽成佣金,估计是一件很难的事,就算降估计也要几年后的事情。如果现在还不选择做出改变,继续被压榨,必定会沦为外卖行业的炮灰。

相关推荐

Philip S. Yu 团队最新综述!社区发现的深度学习方法:进展、挑战、机遇

本篇文章10140字,读完约26分钟雷锋网AI科技评论按:社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类等方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?近日,IJCAI2020上发表的一篇Survey文章,完整阐释了这一研究方向的方法、挑战和机遇。论文来自数据挖掘领域大牛PhilipS.Yu团队。论文标题:DeepLearningforCommunityDetection:Progress,ChallengesandOpportunities社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?网络中的社区指的是一组由节点以及与其相连的边紧密地形成的实体。社区发现旨在遵循「社区中的节点紧密相连,不同社区间的节点稀疏相连」的规则对实体集合进行聚类。包括谱聚类、统计推断在内的传统社区发现方法在处理高维图数据时存在计算速度的问题。因此,近年来,深度学习方法被广泛地应用。在本文中,作者特别调研了社区发现的深度学习方法这一研究领域中的最新进展,并根据用到的深度神经网络、深度图嵌入、图神经网络对这些方法进行分类。由于目前深度学习的能力仍然不能满足处理复杂网络结构的需求,本文作者指出了当前该领域面临的挑战和研究机遇。一、社区发现网络是有两种基本的实体(即节点和边)形成的。根据图理论,「社区」是一种内部节点紧密相连的子图,它遵循以下特定的规则:(1)社区内的节点紧密相连;(2)不同社区中的节点稀疏相连。人们也将社区看做一种聚类簇,其中相同社区内的节点可以共享共用的特性和/或扮演类似的角色。这里根据Radicchi等人基于网络统计分析给出的定义展开讨论。根据节点在社区内部和外部的度,我们可以将社区分为两类:强社区和弱社区。节点的「内部度」代表将该节点与同一个社区中其它节点连接起来的边数,节点的「外部度」则代表将该节点与属于其它社区的节点连接起来的边数。一个弱社区是其中的节点的内部度之和大于外部度之和的子图。一个强社区是其中每个节点的内部度都大于外部度的子图。针对社区的网络结构,本文采用了强社区的定义。社区发现可以帮助我们理解网络内在的模式和功能。在现实世界的应用中,社区将复杂系统中的信息聚集了起来。举例而言,Chen、Yuan等人发现在「蛋白质-蛋白质」交互(PPI)网络中,被聚合到社区中的蛋白质具有相似的生物学功能;Chen、Redner等人,在论文引用网络中,通过社区发现技术确定通过论文引用连接起来的课题的重要性、相互关联以及演变情况;Zhang等人,在企业网络中,通过研究离线的公司内部数据源以及在线的企业社交关系将雇员分组到不同的社区中;Yang等人指出,在线社交网络中(例如Twitter和Facebook)拥有共同的兴趣或朋友的用户可能来自同一个社区(如图1所示)。图1:社交网络中的社区发现示例。根据个体之间的紧密度,网络被划分为两个社区,即包含三个节点的社区C_1和包含四个节点的社区C_2。传统的社区发现方法大部分都是基于统计推断和机器学习发展出来的。例如,在统计学领域非常具有代表性的社区发现方法「随机分块模型」(SBM)被广泛用于描述社区是如何形成的。然而,在处理当下的复杂数据及和社交场景时,这些传统的方法面临着许多问题。此外,在机器学习领域,发现社区的工作往往被看做一个图上的聚类问题。Ng等人用特征向量(例如邻接矩阵和Laplacian矩阵)实现了将节点划分到社区中的谱聚类方法,然而这种方法在稀疏网络上的性能较差。同时,对于预设的社区数目的要求也特别限制了依赖统计推断的模型的研发。在网络分析领域中,传统的方法并没有考虑到节点的属性,而这些属性描述了特征的丰富信息。此外,由于过高的计算复杂度,动态方法也很难被应用于大规模网络。总而言之,处理由图及其属性、大规模网络和动态环境形成的高维数据需要更强大的技术,从而同时兼顾高性能和计算速度。深度学习使计算模型可以学习到具有多层次抽象的数据表征。许多计算模型和算法都需要对以网络结构形式存在的数据进行表征学习。深度学习技术在学习非线性特征时具有很大的优势。这一点在诸如计算机视觉、自然语言处理等领域中都取得了广泛的成功,在这些领域中数据有着内在的关系。在网络分析领域,深度学习可以有效地通过多层深度神经网络降低数据维度,从而完成社区发现、节点分类、链接预测等任务。这里重点研究深度学习在社区发现任务中的应用的新研究趋势,PhilipS.Yu等人的这篇综述贡献有:(1)分析了将深度学习方法用于社区发现的优势;(2)从技术的视角,总结了目前最先进的研究,并对其进行分类;(3)讨论了仍然存在的挑战,并指出了具有前景的未来工作的机遇。据AI科技评论所知,这篇综述也是首次全面回顾深度学习在社区发现中的应用,对研究人员和技术专家理解深度学习和社交网络领域的发展趋势有着巨大帮助。图2:社区发现之深度学习:进步、挑战和机遇。二、何为社区发现?简单来说,社区发现,即从网络G中发现社区C。这里提到的网络是一种特殊的图,它对现实世界中的系统(例如,互联网、学术合作网络以及社交群组)中的复杂关系进行了抽象。在这里,网络的概念主要强调的是其拓扑结构。定义1(网络G)基于图理论,有权网络可以被表征为G=(V,E,W),而无权网络可以被表征为G=(V,E),其中V和E分别代表节点的集合和边的集合,W代表E相应的权值。每条边通过权值描述连接强度或者容量。我们可以将无权图的W视为1,将其从图G中去除。子图g⊆G是对于图的一种划分,它保持了原始的网络结构。子图的划分遵循预先定义好的规则。根据不同的规则可能得到不同形式的子图。社区是一种表征真实社交现象的子图;也就是说,在群组中存在一组具有紧密关系的对象。这里遵循由Radicchi定义的强社区的概念。定义2(社区C)社区是一组网络中相互联系的子图。社区中的节点具有密集的连接,而不同社区之间的节点具有稀疏的连接。根据一种将节点聚类到不同群组中的网络划分方法给出一个社区C_i,我们得到C={C_1,C_2,...,C_k},其中k代表可以从原始网络中被划分出的社区数。被聚合到社区C_i中的节点v满足:v到社区内每个节点的内部度大于其外部度。三、为什么要使用深度学习进行社区发现?与其他机器学习方法相比,深度学习的明显优势是它能够将高维数据编码到一个新的特征表征中。通过使用以图结构的形式组织的数据表征节点之间的联系,许多深度学习方法都可以学习到节点、邻域以及子图的模式。在多数现实场景中,数据缺乏节点标签信息和关于社区的先验信息,而深度学习在无监督学习的任务中体现出了优势。除了简单地利用网络拓扑来发现社区之外,一些方法还将语义描述作为数据中的节点属性加以研究。在传统社区发现方法中,这类方法主要基于邻接矩阵和节点属性矩阵。然而,深度学习可以构建更有效的节点属性和社区结构表征。因此,深度学习填平了传统社区发现方法中存在的关键短板。为了实现这一目标,近年来的工作指出了一些具有前景的研究方向:将深度学习模型应用于社区发现,以及基于社区的特性修改深度学习模型。将深度学习应用于社区发现的前景可以被表述为:(1)通过深度学习模型提升传统社区发现方法的性能;(2)从对于深度学习至关重要的特征维度上引入更多的信息;(3)从网络实体的拓扑和属性入手,同时提升模型的学习性能和鲁棒性;(4)现在可以更好地从复杂的相关结构中对大规模网络进行检测。四、基于深度学习的社区发现为了对近年来将深度学习用于社区发现的研究进展进行概述,Philip等人从技术的角度总结了现有的方法。具体而言,他们首先对具有影响力的社区发现深度学习方法进行了分类。在每一类中,他们概述了框架、模型以及算法的技术贡献。为了研究近年来被应用于社区发现的深度学习方法,图2描述了相关深度学习方法的详细分类情况,并相应地附上了总结出来的挑战。本章将从基于深度神经网络、基于深度图嵌入、以及基于图神经网络的社区发现方法三个方面展开叙述。4.1基于深度神经网络的社区发现深度神经网络在对复杂的关系进行建模和发现的任务中具有天然的优势。考虑到现有的深度神经网络模型在社区发现领域的流形程度,作者选取了基于卷积神经网络(CNN)、基于自编码器、基于生成对抗网络(GAN)的社区发现方法进行调研。基于CNN的社区发现CNN的关键组件包含卷积操作和对卷积层结果的最大池化操作。卷积操作利用卷积核降低计算开销。随后,最大池化操作被用于特征提取,这保证了CNN的鲁棒性。得益于CNN的发展,Xin等人设计了一种用于社区发现的新型CNN,并提出了一种用于拓扑结构不完整的网络的有监督算法。由于社区发现被广泛看做一种无监督聚类任务,科研人员对基于无监督CNN的社区发现进行了研究。人们研发出了在CNN框架下的系数矩阵卷积,从而专门进行对高度稀疏的邻接矩阵的表征。基于自编码器的社区发现栈式自编码器是一种深度学习模型,它在社区发现任务中表现出了强大的性能,可以表征网络矩阵的非线性特征。研究者们发现自编码器和谱聚类在谱矩阵的低维近似方面有相似的框架,并受此启发将自编码器引入了社区发现领域。此后,Cao等人提出了一种将网络拓扑和节点属性相结合的栈式自编码器,它提升了深度神经网络隐层的泛化能力。为了进一步解决网络拓扑和节点属性之间的匹配问题,Cao等人通过引入一个控制这种匹配的折中的自适应参数,研发了一种带有图正则化的自编码器方法。着眼于网络拓扑,Xie等人提出在深度自编码器中对邻接矩阵进行变换,从而有效地学到节点相似度。同时,Bhatia和Rani提出的自编码器通过对随机游走序列建模学习节点的结构,他们通过优化社区结构的模块度对这种序列进行调优。为了避免预设社团的数量,Bhatia和Rani提出了一种层级栈式自编码器,他们找出种子节点,基于网络结构有效地将其它节点加入到社区中。此后,该领域的研究旨在自适应地学习而不是预定义社区结构。Choong等人提出的方法大大地提升了训练损失验证阶段的计算效率。这种自动选择机制保证了模型基于社区标准分配节点。Xu等人将包含具有正负号连接的网络成为有符号网络(signednetwork)。为了处理边上的有符号信息,Shen和Chung提出了一种半监督的栈式自编码器,它可以重构邻接矩阵,为进一步的深度学习网络嵌入的学习表征有符号网络。基于生成对抗网络(GAN)的社区发现GAN包含两种相互竞争的深度神经网络,因此它可以迅速调整训练精度。典型的GAN是以无监督方式运行的,它们生成与训练集中的数据具有相同统计特征的新数据。对于网络数据来说,GAN模型适用于无标签的数据集和序列化的网络划分。Yang和Leskovec等人基于对抗性机制,提出了社区隶属关系图模型(AGM)。AGM基于「节点-社区」成员隶属关系(nodemembership)的思想对重叠的社区中的节点进行编码。每个社区都有一个单一的概率,使得社区结构可以在GAN中进行。Jia等人通过将这种模型与GAN相结合研发了一种新型的框架,它根据具有中间项(即隶属图中的「节点-社区」成员隶属关系)进行社区发现。4.2基于深度图嵌入的社区发现深度图嵌入是一种将网络中的节点映射到一个低维向量空间中的技术。它将尽可能多的结构信息保存到表征中。通过图嵌入,基于网络分析的机器学习任务(例如链接预测、节点分类和节点聚类)可以利用表征的潜在特征,这样节省了主要由网络搜索引起的计算开销。对于社区发现任务来说,基于节点表征的图嵌入的输出支持聚类的任务(例如通过k-means聚类)。基于深度非负矩阵分解的社区发现非负矩阵分解(NMF)是一类将矩阵分解为两个矩阵的算法,它具有如下性质:三个矩阵都没有负的特征值。NMF自动地对输入数据的列进行聚类,通过训练阶段的误差函数,使原始矩阵和两个分解出的矩阵之间的近似误差最小。Ye等人提出了一种用于社区发现的深度NMF模型,其中深度学习架构可以促进NMF学习原始网络结构和社区结构之间的层次化映射。在某些情况下,社区发现的工作需要与对带有属性的内容的语义理解同时进行。为此,研究人员以一种带属性的图的形式表征网络,这种图同时包含了网络结构和节点的属性。Li等人特别针对带属性图的社区发现任务提出了一种嵌入方法,它将带有属性的社区发现看做一个NMF优化问题。为了使算法收敛,他们设计了一套可计算的迭代更新规则。基于深度稀疏滤波的社区发现邻接矩阵反映出了网络的稀疏性。嵌入对输入的成对关系进行编码,从而避免在稀疏矩阵上进行搜索。稀疏滤波(SF)是一种有效的深度特征学习算法,它只用到了一个超参数,但可以处理高维输入。SF的关键模块是针对L2正则化后的特征的稀疏性设计的简单代价函数。对于网络(尤其是在大型网络中)的社区发现,Xie等人基于深度稀疏滤波提出了一种高效的网络表征方法。他们通过一种无监督的深度学习算法划分网络,从而提取网络特征。基于社区嵌入的社区发现传统意义上,图嵌入重点关注单个的节点。Cavallari等人研究了另一种重要的、但是鲜有人探索过的图嵌入情况,他们重点关注对社区的嵌入。他们认为这种新的重要策略有益于社区发现任务。具体而言,社区嵌入的目标是在低维空间中学习一种社区的节点分布。我们可以通过过渡性(transitional)的图嵌入方法使用这种新的节点分布,从而很好地保留网络结构,这反过来可以提升社区发现的性能。此外,Tu等人提出了一种新的图嵌入模型,它同时探测每个节点的社区分布,并且学习节点和社区的嵌入。网络中的社区实际上反映了同一个社区中相似的观点、行为等高阶近似信息。Zhang等人提出了一种保留社区信息的社交网络嵌入方法来学习网络表征。他们提出的这种方法在社区检测任务中体现出了性能的优越性。4.3基于图神经网络的社区发现近年来,图神经网络(GNN)的迅猛发展表明了图挖掘和深度学习技术融合的趋势。基于GNN的社区发现被用于利用图神经网络对网络上的复杂关系进行建模,并捕获这种关系。例如,Chen等人提出的有监督社区发现GNN引入了一种非回溯的运算符,来定义边的邻接性。这种方法可以提升学习性能。对于GNN来说,运算符的选择非常方便。图卷积网络(GCN)是基于CNN研发的,它继承了快速学习的能力。面对图输入数据,GCN展现出了非常好的性能。GCN带来的巨大提升在于整合了考虑网络中实体概率分布的概率模型。例如,Jin等人通过马尔科夫随机场解决了包含语义信息的带属性网络中的半监督社区发现问题。Shchur和Gunnemann将「伯努利-泊松」概率模型整合到GCN中,用于重叠社区发现问题。通过这种方法,卷积层可以识别复杂的网络模式。五、挑战和机遇近年来(尤其是近5年来),用于社区发现的深度学习技术迅速发展。由于对现实世界具有重大的影响,这一领域持续受到研究人员的关注。尽管取得了令人欣喜的成果,在将深度学习应用于社区发现的领域中,仍然有一些挑战有待被更好地解决。下面,本文将总结这些挑战和机遇。挑战1:社区数未知长久以来,由于社区数未知而引发的挑战始终没有得到很好的解决。在机器学习领域中,社区发现经常被表示为一种无监督聚类任务。总现实世界的网络中提取出的研究数据大多是没有标签的。因此,我们很难获取有关社区数的先验知识。此外,大多数现有的深度学习社区发现方法(尤其是深度图嵌入),通过评估潜在特征空间中的节点相似度获取分类节点。然而,在后续的聚类算法中,聚类的目标数量仍然需要被事先定义。机遇:对于这一挑战,一个直接的解决方案是通过分析网络拓扑确定社区的数量,并将其整合到深度学习模型中。Bhatia和Rani等人遵循这一思想,采用基于随机游走的定制化PageRank算法,通过将图重构到一种线性的形式进行社区发现,并通过模块化的优化方法来应用调优。但是这些方法并不能保证网络中的每个节点可以被分配到特定的社区中。因此,我们需要为社区发现任务涉及新的模型,从而避免在分配社区的过程中漏掉某些节点。挑战2:网络层次网络层次反映了分层的网络结构,它将位于独立的层上的多个群组连接了起来,从而形成一个更加复杂的网络。而每一层都专注于特定的功能。对于多层网络,用于社区发现的深度学习技术必须实现对于两种层次上的表征的提取。而且他们将面临多层网络固有的挑战,这包括不同的关系类型以及不同层中不同的稀疏程度。机遇:为了区分不同种类的连接,Song和Thiagarajan提出了一种具有特殊子图设计的多层DeepWalk模型,从而保存了层次化的结构。但是他们并没有同时优化可以用于所有层的公用表征以及保留了特定层网络结构的局部表征。他们的目的是利用不同层之间的依赖,而实际上这种依赖关系经常被破坏。此外,对于新的设计来说,还应该考虑与层数增加有关的可伸缩性问题。因此,在研发用于具有网络层次的社区发现的深度学习方法的问题上,我们还有很长的路要走。挑战3:网络异质性网络的异质性指的是网络中实体类型的显著差异,而各种各样的节点集合和它们之间复杂的联系形成了异质网络。因此,我们应该通过不同于同质网络的方式研究异质网络中的社区发现。在应用和研发深度学习模型和算法时,应该解决异质网络实体上的概率分布的差异。机遇:大多数之前的深度学习方法并不是基于网络异质性研发的。Change等人设计了一种非线性嵌入函数,它被用于捕获异质组件之间的交互。因此,未来在异质网络上至少存在两个方面的研究机遇:(1)异质网络表征的深度图嵌入学习模型以及相关的支撑算法;(2)采用新型训练过程的特定深度学习模型,旨在学习隐藏层中的异构图属性。挑战4:边上带符号的信息许多现实世界中的网络具有边上的符号信息(即正关系或负关系)。在有符号网络的环境下,用于社区发现的深度学习方法面临的挑战是:通过不同的符号信息表示的节点之间的联系应该以不同的方式对待。机遇:一种可能的解决方案是,通过设计一种随机游走过程引入正关系边和负关系边。Hu等人遵循这一思路,基于词嵌入技术研发了一种稀疏图嵌入模型。但是,他们的方法在一些小型的真实世界中的有符号网络中的性能要差于作为对比基线的谱方法。另一种的可能的解决方案是重建一个有符号网络的邻接矩阵表征。然而,这又面临着另外一个问题:现实世界中的绝大部分邻接连接是正关系。Shen和Chung施加了更大的惩罚,使他们的栈式自编码器模型更加关注重建稀缺的负边而不是丰富的正边。然而,在大多数情况下,我们并不能获取关于大量节点的社区分配信息。因此,在有符号网络中,社区发现的高效的无监督方法仍然有待探索。挑战5:社区嵌入社区嵌入是一个新兴的研究领域,这种方法将对社区而不是每个独立的节点进行嵌入。社区嵌入重点关注对社区进行感知的高阶近似而不是在节点邻居之间的1阶或2阶近似。未来,社区嵌入研究面临的挑战有:(1)高昂的计算开销;(2)节点和社区结构之间的关系评估;(3)应用深度学习模型时发生的其它问题,例如社区之间的分部漂移。机遇:设想有一种智能的方法通过自动选择针对节点和/或社区的表征模块来支撑社区嵌入。为此,Philip等人建议从以下研究目标入手:(1)如何将社区嵌入整合到一个深度学习模型中?(2)如何为了「计算地更快」这样的目标直接嵌入社区结构?(3)如何优化整合好的深度社区发现学习模型中的超参数?挑战6:网络的动态性网络的动态性主要包含两种情况:网络拓扑的变化,以及在固定拓扑上的属性的变化。拓扑的变化会引起社区的演化。例如,添加或删除一个节点会影响全局的网络连接,因此它也会改变社区结构。对于静态网络来说,深度网络社区发现学习模型在面对每个网络的快照时,需要重新训练,这里面包含一些重复的工作。对于静态网络中的时序属性,技术上的挑战在于对于流数据的深度特征提取,这些流数据的概率分布和属性随时都会变化,它们引入图数据作为深度学习模型输入的另一部分。机遇:针对时间和空间维度上的动态特性,人们还没有研发用于社区发现的深度学习模型。未来的研究方向包括:(1)发现并识别社区间的空间变化;(2)学习深度模式,它同时对时序特征和社区结构信息进行嵌入;(3)为社区发现任务研发一种统一的深度学习方法,它可以同时处理空间和时间特征。挑战7:大规模网络大规模网络指的是拥有数以百万计的节点和边、大规模结构化模式以及高度动态性的大型网络。因此,大规模网络有其固有的规模特性(例如,社交网络中与规模无关的特性,节点度的米率分布特性),这些特性会影响社区发现任务中的聚类系数。此外,通过分解后的有关高维邻接关系的近似度度量,研究人员将分布式计算应用于可扩展的学习,同时他们也面临着鲁棒的学习控制和协作计算的问题。不断变化的网络拓扑进一步增加了近似度估计的难度。总而言之,大规模网络中的社区发现设计上述所有提到的挑战,以及可扩展学习方面的挑战。机遇:大规模网络(例如,Facebook和Twitter)不仅提出了挑战,也催生了设计更先进的深度学习方法的机遇。为了充分利用大规模网络中的丰富信息,社区上的聚类任务更需要具有较低的计算复杂度并具有灵活性的新型无监督算法。深度学习中用到的关键数据降维方法(即矩阵低秩近似)并不适用于大规模网络,它在分布式计算场景下的计算开销也是很高昂的。因此,人们急需新型的深度学习框架、模型和算法。研发应用于大规模网络的深度学习方法需要通过精度和速度来评估,这种评估方式可能是最大的挑战。六、结语如今,我们生活在各种各样的网络中。发现这些网络的内在功能和特征有助于我们全面地理解周围的环境(尤其是在社交网络中)。社区还原了描述社会现象的复杂关系。传统的社区发现方法曾经依赖的是统计推断和机器学习(谱聚类)。然而,深度学习的发展极大地提升了社区发现方法的计算性能,用于社区发现的深度学习方法近五年来被广泛地研究。在这篇综述文章中,Philip等人全方位地回顾了模型和算法研发方面相应的技术趋势,并针对基于深度学习领域社区发现进展做了详细的阐述。最为重要的是,这篇综述还指出了将深度学习用于社区发现任务时存在的七个重大挑战,这在一定程度上将为下一代社区发现研究指明方向。雷锋网雷锋网(公众号:雷锋网)雷锋网

2020年05月22日 11:50

租客惠:优惠再多一点,花钱再少一点,省钱就是这么简单!

近期北京、上海、长沙的朋友们出门就餐的时候可能会发现,部分商家的店内消费不可再使用团购点评网站的优惠消费项目,这究竟是怎么回事呢?在餐饮行业竞争如此激烈的情况下,为何还有商家主动从团购网站退出呢?小编经过调查得知大批餐厅之所以与团购点评网站决裂,摆出了“不接受团购”的告示,对这种团购呈现“凉凉”的保守观望态度,主要有以下两大原因。第一是因为店家觉得团购没有为店里带来额外顾客,大部分顾客都是到店后团购券来付款,餐厅相当于白白损失了至少15%的收入。其实这并不难理解,小编经常和朋友一起出门逛街,很少会在出门之前看好晚上吃饭的餐厅,第一是因为不想有找店的麻烦,第二是因为想现场看哪一家餐厅的人多、环境好、菜品吸引人,然后现场决定晚餐吃什么。团购网站发展至今,与当初“哪家便宜去哪家”的火爆消费不同,现在大部分餐饮店都会入驻团购网站,并且很多店家不止入驻一家网站,还会与很多银行的信用卡合作,让消费者的选择越来越广泛,商家的价格竞争自然不会占优势,还需要投入大量的精力用于交纳团购平台的入驻费用,致使商家在团购网站的利润空间越来越小。第二是因为店家觉得团购带来的顾客基本都是价格敏感性客户,对餐厅没有忠诚度而且容易给出差评,对餐厅口碑带来非常大的负面影响。“差评”是服务行业最害怕的东西,并且没有之一。尤其是对于餐饮行业来说,不但影响餐厅的打分排名,还会直接导致客流量减少。有关研究表明,生气的顾客将会把一次不愉快的经历告诉大约11个人。假定顾客真的告诉了11人,同样的研究表明,这11人又会与大约另外5个人说起此事。通过“计算损失方程式”,计算出总共会带来67名顾客的损失。在餐饮业,1=17是一个有意思的等式。有时候,失去了1个顾客往往等于失去了17个顾客,而争取到1位顾客,往往会得到多于17个的顾客。由此可见线上消费差评的影响之大,并且阅读量越高的评价越容易被置顶,就会越容易被更多潜在消费者看见。为了帮助商家解决市场困境,年轻租客的聚集地租客网为商家带来“租客惠”服务项目,并且不收取商家的入驻费用,减少商家成本投入,同时可以在租客网的APP和官网首页进行大幅推广,对精准的年轻客户群体进行直接宣传,他们拥有积极的消费热情,并且是买单时使用,无指定项目消费,更易被年轻消费群体接受。同时租客网的“租客惠”服务项目可为商家带来潜在长期稳定的消费群体,租客惠现已与众多咖啡厅、健身房、餐厅、KTV等商家合作,已为年轻的租客群体带来可靠的实惠,同时帮助商家增长业绩,增加盈利渠道,成为众多商家的新晋选择之一!

2020年04月27日 11:07

百度去域名化这步棋真走错了,逆趋势啊

在刚刚发布的百度2019年第四季度及全年财报中,百度该季度营收289亿,净利润达92亿,同比增长95%,双双超过华尔街预期。全年营收1074亿元,连续三个季度营收超过华尔街预期。虽然表面上是一片欣欣向荣的景象,但依然止不住百度摇摇欲坠的趋势。从以前并驾齐驱的BAT三巨头,发展到如今,百度的价值却不如腾讯和阿里市值的零头,巨幅缩水。其地位甚至被后起之秀们,美团,京东,拼多多超越,这混得也太惨了吧。百度的缓慢衰落,与其屡次三番的“骚操作”不无关系,其中之一就是熊掌号。熊掌号是百度搜索生态打造的重量级产品,旨在赋能B端生态合作伙伴,让搜索用户获得更可靠的信息和服务,于2017年11月16日发布。传统生态下,用户常常处于在不同站点间“用完即走”的状态,这使得站长们严重依赖于流量收入,而百度表示从站到号是搜索新生态的重要特征,熊掌号就是“站”的后继者,是移动时代的“新域名”。原本,小编以为熊掌号是百度为了对抗微信公众号、阿里店铺等做出的内容号,是一个委以重任的大项目。可谁知道,熊掌号于2018年11月底,不宣而停。目前登录熊掌号,首页已没有熊掌号的宣传图片,唯有小程序平台和百家号平台链接。百度也没有明确公告,是内哄?是转战小程序?总之拿站长们当猴耍,视如草芥....原来,百度还是只能玩搜索,毕竟玩啥都觉得是搜索。其实百度前些年大力推广熊掌号的意图很明显,那就是弱化域名。百度是需要弱化域名的,因为百度是一个搜索引擎,如果网民都依靠域名直达网站,谁还会去用百度呢?而且,目前百度也遇到了一些麻烦。头条,阿里和腾讯都不向百度开放搜索接口,百度的咨询从哪里来呢?要靠百度自己的生态圈和众多小站长提供资源,熊掌号也是百度解决这些麻烦的一次尝试。因此,百度搜索弱化域名,是从其自身生存角度出发的。唯有去域名,百度才会有更多的生意。这些年在移动联网的大潮中,腾讯有微信,阿里有支付宝,二者几乎平分了用户在移动端的入口,等后知后觉的百度意识到问题的严重性时,已经晚了,那个曾经PC端的流量霸主不得不向移动互联网时代低头,这两年推出了百度APP似乎也难挽回局面了。去域名化看似是百度在进行自救,实则是一种无奈而又自私的行为。一个网站的名称、版式、内容……这些东西都有可能“被山寨”,但是网址(域名)却是造不了假;如果在搜索结果中把域名隐藏起来,无异于助纣为虐。单从关键词来看,用户无法从搜索结果中分辨网站的真伪,那些钓鱼网站只要付费推广,更加容易误导普通用户。正牌官网如果想要让用户容易识别,只能通过向百度付费从而在搜索结果上获得相应标识,这一招无异于饮鸩止渴。尽管如此,百度CEO李彦宏曾经在个人社交软件微信朋友圈发文表示,如果谷歌决定回到中国,百度非常有信心与其“对决”。谷歌市值9205.03亿美元,世界前500强网站中占有数十个席位,百度拿什么赢得这场对决,小编不知道李总哪来的自信。同样是做搜索引擎,谷歌就深知重视域名才是时代潮流。在几年前,谷歌搜索就调整了算法,看重域名和关键词的匹配度。现在使用谷歌搜索,在搜索结果中,域名也处于突出的位置。由于域名本身不可替代,在搜索结果中呈现出域名,本身也体现了一种严谨性和公平性。不仅是企业,现在个人也很重视域名。美国很多房产经纪人,自己都有域名,自己在谷歌上面推广自己的网站,网店。今日头条也是借助个体的力量才得以推广做大。只有重视了个体的入口,自己才能做真正的平台入口。百度弱化域名这步棋,真是走错了

2020年03月12日 17:43