模型思维：简化世界的人工智能模型

让读者明白每一个模型的来龙去脉、适用范围

帮助读者分析问题、学习模型、选择模型、建立模型、创新模型

对从事算法研究与算法开发的人来说，模型的学习与使用必不可少。尤其是在目前备受关注的人工智能领域里，人人谈模型，新模型也是层出不穷，让人眼花缭乱。

模型让人又爱又恨：可爱的地方在于它确实能够解决实际问题，而且其有效性一般都经过了检验；可恨的地方在于学习它是一件非常痛苦的事情，尤其是对人工智能的初学者来说。

《模型思维》将人工智能在现实生活场景中解决的问题分类，并根据这个分类来介绍各种模型。书中将人工智能问题分为权重问题、状态问题、序列问题、表示问题、相似问题和分类问题六大类，方便读者了解各个模型之间的关系，也方便读者理解各个模型的适用场景。

《模型思维》尽量更多地结合模型的使用场景，更多地介绍实际业务需求之间的关系，更多地采用生活中浅显易懂的例子，方便人工智能的初学者学习模型。

《模型思维》不仅适合希望学习和运用人工智能模型到具体应用场景的企业工程师、科研院所的学生和科研人员，也适合对人工智能模型感兴趣的读者，帮助其将模型思维应用到生活中。

龚才春

毕业于中国科学院计算技术研究所，工学博士学位；教授，博士生导师；长期从事人工智能与人力资源等领域的研究。

中关村科金技术人工智能研究院院长，职品汇创始人，大街网原首席科学家，阿里巴巴原搜索研发专家。

在大数据挖掘方面有许多成功经验，创办了大数据虚假简历识别平台职品汇；在自然语言处理，尤其是语义理解、知识图谱等方面有深刻理解，中文幽默识别是其一个有特色的研究工作；曾负责淘宝评论的情感分析等工作。

本书不仅是作者“久病成医”的经验总结，更是“老马识途”般的指点迷津，相信读者在掌握模型思维、场景思维后，对人工智能相关知识的领悟能有“蜻蜓点水”般的轻盈。

杨柏龄 中国科学院原副院长，国科控股原董事长

本书是龚才春博士结合他职业生涯中大量的真实应用场景，潜心研究数字化进程中经常用到的各类经典建模方法、各类经典模型中的学习方法并对之进行系统化整理、原创性改进和拓展性应用的结晶。书中把模型思维与工程实践乃至商业模式创新相结合，既有大量的技术干货、又有深度的理论思考。

白硕

恒生研究院院长，上海证券交易所原总工程师，中国科学院计算技术研究所、信息工程研究所兼职博士生导师

作者以扎实的技术功底、丰富的产业实践为基础，以生动、轻松而贴近实际的笔触介绍了人工智能领域的经典模型。此书可以大大提高读者的学习兴趣和学习效率，难能可贵。

刘挺 哈尔滨工业大学计算学部主任，计算机学院院长

本书尽量少地采用数学公式，尽可能多地利用图表和实例来介绍各种模型，从而使本书的可读性和趣味性都大大增加。如果读者在阅读这本书的过程中，不仅能够学到各种人工智能模型的理论和方法，更能够体会模型思维的妙处，并且把模型思维贯穿在学习和工作中，那么这本书就物超所值了！

刘群

华为语音语义首席科学家

本书尝试在底层核心逻辑上对模型的本质进行归纳和总结，对有志于投身人工智能行业的读者来说是一本很好启蒙读物和工具书。

姜迅 云从科技副总裁

本书从智能算法核心的概念­——模型入手，对常见的模型进行分类阐述，并结合实际应用案例，采用直观易懂的方式对每个模型进行介绍，大大加强了读者对不同模型之间的融会贯通，同时降低了读者的理解成本，非常适合人工智能领域的初学者。

邓亚峰，360人工智能研究院院长

本书将复杂的模型与有趣的生活故事进行结合，是一本少有的学习和运用模型的工具书，也是一把打开模型思维的神域大门的钥匙。

黄尚 理想国际长兴资本董事长

前言

让人又爱又恨的模型

对从事算法研究与算法开发的人来说，模型的学习与使用必不可少。尤其是在目前备受关注的人工智能领域里，人人谈模型，新模型也是层出不穷，让人眼花缭乱。

模型让人又爱又恨：可爱的地方在于它确实能够解决我们的实际问题，而且其有效性一般都经过了检验；可恨的地方在于学习它是一件非常痛苦的事情，尤其是对人工智能领域的初学者来说。

笔者自2001年开始从事光学字符识别的研究，2004年以后从事自然语言处理的研究，算是国内人工智能行业中的“老鸟”了。在多年的学术研究和产业落地推进的过程中，笔者认为模型的学习是最让人头疼的事情。在攻读博士学位的过程中，笔者经常发现：自己花了很大工夫，终于对某个模型有了初步的理解，忽然有同学说他又看到另一个更好的模型……笔者觉得学习模型就像玩打地鼠游戏，这个洞里冒出来一只地鼠，你刚打下去，另一个洞里又冒出新的地鼠。打地鼠的速度总是跟不上地鼠冒出来的速度。笔者在学习累了的时候，就会产生一堆奇怪的疑问：到底什么是模型？为什么那些“大牛”提出的任何想法都能成为模型？到底多厉害的人提出的想法才能成为模型？如果没有这些“大牛”，那么我们的学习是不是就不会这么累了？有没有一本书可以把所有模型都介绍清楚？如果没有，那么有没有一本书可以把人工智能领域中常见的模型都介绍清楚？

久病成医，降低模型的学习难度

2018年，笔者创业失败，重新回到职场，此时面临的第一个问题就是向团队中相对年轻的同事介绍自然语言处理技术。于是笔者萌生了整理各类人工智能模型的念头。笔者并不是什么模型领域中的“大牛”，也没有提出过什么靠谱的模型。笔者只是想把在近20年的模型学习过程中的痛苦进行沉淀和总结，也算是痛定思痛吧。笔者的许多朋友在看了本书的样稿后，都以为笔者对模型颇有研究，而笔者都会自我调侃：笔者不是职业的医生，只是久病成医而已。

笔者在阅读大量前辈的作品及大量的网络技术文档后发现，前辈们都博览群书，理论功底深厚，数学基础扎实，因此他们的作品中都有大量的公式推导和理论证明。这些都是笔者的弱项。于是，笔者又产生了“久病成医”的联想：既然笔者的理论水平欠缺，数学基础不牢，那么或许还有许多人工智能的初学者跟笔者一样。于是，笔者在写作本书时，尽量更多地结合模型的使用场景，更多地介绍实际业务需求之间的关系，更多地采用生活中浅显易懂的例子。这样一方面可以弥补笔者在理论功底方面的欠缺，另一方面可以方便人工智能领域的初学者学习模型。

网络中的许多技术文档经常会出现公式显示异常、图片丢失、格式混乱的情况，这也增加了初学者学习模型的难度。笔者认为：大篇幅的文字描述，在很多情况下不如一张示意图生动；高深的专业术语和技术原理，在很多情况下不如与生活中的场景做类比浅显；复杂的公式计算与理论推导，在很多情况下不如举一个实际例子计算一遍更直观。因此，笔者在本书中列举大量的人工智能场景中的真实案例，将许多现实生活中的场景与高深的模型进行类比，希望可以降低读者的理解难度。

笔者试图将人工智能在现实生活场景中解决的问题分类，并根据这个分类来介绍各种模型。本书将人工智能问题分为权重问题、状态问题、序列问题、表示问题、相似问题和分类问题六大类，方便读者了解各个模型之间的关系，也方便读者理解各个模型的适用场景。当然，这个分类体系只是笔者的一家之言，并不一定是最科学的方法。笔者权且以本书抛砖引玉，期待人工智能行业的专家的批评与指正。

模型日新月异，许多模型在本书中还未来得及介绍，如深度学习中的许多优秀模型、自然语言处理中的许多模型等。虽然笔者非常认真地写作本书，但由于水平有限，经验欠缺，对许多模型的理解还不够到位，书中一定还有许多错误或纰漏之处。恳请同行多多给予批评与指导，恳请读者多提宝贵意见与建议。

致谢

感谢白硕老师、刘群老师、王斌老师对本书的指导，感谢电子工业出版社的编辑王静、吴宏伟、石倩、白涛的辛勤工作。

说明

为方便读者学习，书中所涉及的参考文献请扫描本书读者服务二维码获取（见本书封底）。

作 者