… 时序特征 21维 提取函数 8个 提取特征 168维 2019 KE.COM ALL COPYRIGHTS RESERVED 19 v1.0 - 小结 存在的问题 新上房源与库存房源在行为特征上 差异巨大 引入新上房源，会严重干扰模型  很难兼容新上房源  时序数据特征爆炸 时序特征进行特征提取，得到的特征 数量庞大 随着迭代的进行，新加入特征边际效 应递减，但是成本高 ??????????? )  分数映射公式 2019 KE.COM ALL COPYRIGHTS RESERVED 38 库存&新上房源 数量分布  新上房源分数略高 2019 KE.COM ALL COPYRIGHTS RESERVED 39 库存&新上房源 去化率  分数越高，质量越好 2019 KE.COM ALL COPYRIGHTS RESERVED 40 了解分

l云原生Cloud-Native超大规模视图存储、处理、检 索 l处理数万到数十万路，城市范围级别监控、门禁摄 像头数据 l10-100 Billion级别深度学习特征检索 - PB以上级别数据库存储 - 100PB级别抓拍图片存储 - 每秒万次并发检索请求 l大规模推广应用 l某种程度上说，城市内所有市民都是系统的用户 深度学习算法发展为平台系统赋能 首次超过人眼 2014 2015

必然包括这商品本身） 40 3.FP-Growth算法 FP-Growth算法的优点 1.与Apriori算法相比，该算法只需对数据库进行两次扫描 2.该算法不需要对项目进行配对，因此速度更快。 3.数据库存储在内存中的压缩版本中。 4.对长、短频繁模式的挖掘具有高效性和可扩展性。 FP-Growth算法的缺点 1.FP-Tree比Apriori更麻烦，更难构建。 2.可能很耗资源。 3.当数据库较大时，算法可能不适合共享内存