Snap自IPO以来首个大动作:引入机器学习 搜索更容易

简介:

“阅后即焚”照片分享应用Snapchat希望你浏览更多的Stories,所以它准备让这些故事变得更容易被发现。

周五,它在一些美国城市推出了Stories搜索功能Stories in Search。用户可以在它早在1月就在其主页上推出的搜索框内进行搜索。

例如,如果你输入“小狗”,你就会看到很多有关小狗的故事。你甚至可以一整天沉浸在其中,观看Snapchat小狗视频。

乍看起来,这似乎悖逆了Snapchat一贯主张的东西:这是一个供你和你的好友联络和交流的地方。

首先,Snap仍然是一个供好友交流的地方。你会发现Chat聊天版块位于Stories故事版块上面。此外,它还可以按照“附近地区”和“当地景点”来呈现Stories。

Snapchat希望成为你的亲密好友的集结之地。但是,Snap公司似乎想利用它收到的所有这些精彩的照片和视频来吸引你沉浸在Snapchat世界中,就像视频网站YouTube、社交网络Facebook和照片分享应用Instagram上发生的一样。换而言之,Snapchat正在想法让你在其应用程序中逗留更长的时间。

现在的时局对于Snap来说似乎很不利。Facebook刚刚推出了四个类似Snapchat Stories的克隆产品:Facebook Stories、Instagram Stories、Messenger Day和WhatsApp Stories。

Snapchat应用程序相对较小,但它是率先推出Stories的。早在2013年10月,Snapchat就推出了My Stories,可以让用户将仅保留24小时时间的单个照片和视频集中起来。在2014年6月,它又推出了Our Story,可以让用户就某个主题活动来提交照片和视频。

Snapchat委托其员工,包括一些专业的记者,来围绕特别的活动和场所打造Stories,例如“选举之夜”和“摩苏尔之战”。

Snap公司发言人称,该公司推出搜索功能的动机就是利用用户们提交的精彩照片和视频来做一些事情。

“随着时间的推移,我们的用户创造和提交到Our Story的照片和视频数量越来越多,以至于我们的团队都应接不暇了。这促使我们开始着手创造一些新的东西。”

用户可以搜到本地篮球赛、他们最喜爱的酒吧或小狗的照片或视频。

这种搜索功能是如何工作的呢?它其实是利用了机器学习技术。去年,它收购了一家名不见经传的公司Vurb,并获得了它的机器学习技术。这种技术可以理解标题文字、时间和视觉元素。这也意味着它能够识别违反Snap公司服务条款的不当照片,例如色情和暴力。

这些Stories是实时更新的,包括保留时间超过24小时的照片和视频。Snap公司称,现在,Stories in Search只在其精心挑选的几个美国城市推出。在以后,它将会把这个功能推向更多的地方。

本文转自d1net(转载)

目录
相关文章
|
4月前
|
人工智能 安全 机器人
使用PAI LangStudio创建RAG知识库及联网搜索聊天机器人
本文介绍如何基于阿里云PAI的LangStudio与LLM构建支持RAG与联网搜索的聊天机器人。内容涵盖SerpAPI注册、模型部署、连接配置、知识库创建及应用流设计,实现结合知识库与网络搜索的智能问答,并集成AI安全护栏,提升企业应用安全性与开发效率。
|
6月前
|
人工智能 自然语言处理 数据库
云上玩转Qwen3系列之二:PAI-LangStudio搭建联网搜索和RAG增强问答应用
本文详细介绍了如何使用 PAI-LangStudio 和 Qwen3 构建基于 RAG 和联网搜索 的 AI 智能问答应用。该应用通过将 RAG、web search 等技术和阿里最新的推理模型 Qwen3 编排在一个应用流中,为大模型提供了额外的联网搜索和特定领域知识库检索的能力,提升了智能回答的效果,减少了幻觉。开发者可以基于该模板进行灵活扩展和二次开发,以满足特定场景的需求。
|
9月前
|
人工智能 自然语言处理 搜索推荐
云上玩转DeepSeek系列之三:PAI-RAG集成联网搜索,构建企业级智能助手
本文将为您带来“基于 PAI-RAG 构建 DeepSeek 联网搜索+企业级知识库助手服务”解决方案,PAI-RAG 提供全面的生态能力,支持一键部署至企业微信、微信公众号、钉钉群聊机器人等,助力打造多场景的AI助理,全面提升业务效率与用户体验。
|
12月前
|
机器学习/深度学习 Python
机器学习中模型选择和优化的关键技术——交叉验证与网格搜索
本文深入探讨了机器学习中模型选择和优化的关键技术——交叉验证与网格搜索。介绍了K折交叉验证、留一交叉验证等方法,以及网格搜索的原理和步骤,展示了如何结合两者在Python中实现模型参数的优化,并强调了使用时需注意的计算成本、过拟合风险等问题。
735 6
|
机器学习/深度学习 计算机视觉 Python
模型预测笔记(三):通过交叉验证网格搜索机器学习的最优参数
本文介绍了网格搜索(Grid Search)在机器学习中用于优化模型超参数的方法,包括定义超参数范围、创建参数网格、选择评估指标、构建模型和交叉验证策略、执行网格搜索、选择最佳超参数组合,并使用这些参数重新训练模型。文中还讨论了GridSearchCV的参数和不同机器学习问题适用的评分指标。最后提供了使用决策树分类器进行网格搜索的Python代码示例。
1322 1
|
机器学习/深度学习 人工智能 自然语言处理
机器学习-搜索技术:从技术发展到应用实战的全面指南
机器学习-搜索技术:从技术发展到应用实战的全面指南
983 0
|
机器学习/深度学习 算法 文件存储
使用Python实现深度学习模型:神经架构搜索与自动机器学习
【7月更文挑战第5天】 使用Python实现深度学习模型:神经架构搜索与自动机器学习
299 2
|
机器学习/深度学习 存储 算法
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
|
机器学习/深度学习 算法
机器学习中的超参数优化涉及手动尝试、网格搜索、随机搜索、贝叶斯优化、梯度优化、进化算法等策略
【6月更文挑战第28天】**机器学习中的超参数优化涉及手动尝试、网格搜索、随机搜索、贝叶斯优化、梯度优化、进化算法等策略。工具如scikit-optimize、Optuna助力优化,迁移学习和元学习提供起点,集成方法则通过多模型融合提升性能。资源与时间考虑至关重要,交叉验证和提前停止能有效防止过拟合。**
540 0
|
机器学习/深度学习 Python
【Python 机器学习专栏】模型选择中的交叉验证与网格搜索
【4月更文挑战第30天】交叉验证和网格搜索是机器学习中优化模型的关键技术。交叉验证通过划分数据集进行多次评估,如K折和留一法,确保模型性能的稳定性。网格搜索遍历预定义参数组合,寻找最佳参数设置。两者结合能全面评估模型并避免过拟合。Python中可使用`sklearn`库实现这一过程,但需注意计算成本、过拟合风险及数据适应性。理解并熟练应用这些方法能提升模型性能和泛化能力。
550 0

热门文章

最新文章