資訊理論創始人克勞德·艾爾伍德·香農提出，信息是對不確定性的消除。香農開創了用數學描述信息的先河，讓信息變得可測。
香農提出的信息熵成為如今機器學習的一大理論基礎。
超兔CRM一直致力於研究用AI打單，本質上是用機器學習處理信息，通過算法解析數據，最終幫助銷售削弱跟單過程中的不確定性。下面，與您分享一下超兔CRM正在使用的算法。純乾貨！兩大主題：1.LSTM 詳解；2.傳統機器學習與深度學習對比。
LSTM 詳解1.RNN（循環神經網絡）：在介紹LSTM之前，先介紹RNN
a) 普通神經網絡：
圖為：神經網絡的結構圖
神經網絡可以當做是能夠擬合任意函數的黑盒子，只要訓練數據足夠，給定特定的x，就能得到希望的y。
舉一個情感分析的例子，輸入一句話，判斷這句話的的情感是正向的還是負向的。
其中x就是輸入層，如上圖有3個輸入，比如為 「我」，」喜歡」，」你」。經過隱藏層的計算，輸出兩個值：正向的概率和負向的概率。（在XTool中的客戶意向，會設置三個輸出）。
那麼既然普通的神經網絡（如上）已經可以完成意向判斷的功能，為什麼還要循環神經網絡呢？
他們都只能單獨的去處理一個個的輸入，前一個輸入和後一個輸入是完全沒有關係的。但是，某些任務需要能夠更好的處理序列的信息，即前面的輸入和後面的輸入是有關係的。
比如，當我們在理解一句話意思時，孤立的理解這句話的每個詞是不夠的，我們需要處理這些詞連接起來的整個序列
所以為了解決一些這樣類似的問題，能夠更好的處理序列的信息，就有了RNN：
b) 循環神經網絡：
圖為：循環神經網絡結構圖
但看上圖左邊部分可能有點暈，右邊為左邊按序列展開的樣式：
還拿上邊情感分析為例：
以此往後推。
這樣當輸入完這句話時，最後的結果會把整個句子的信息都帶上。
但是這樣還不完美，為什麼呢？上邊的舉的例子」我」，」喜歡」，」你」只有三個詞，但在實際運用中一句話可能會很長，幾十個詞。
如果把每個詞的信息都記錄下來，數據會很大，而且最前邊的詞對最後邊的詞的意思可能也沒影響。還有就是從算法上，返向求導時，可能會造成梯度消失或梯度爆炸。
這裡簡單介紹一下梯度問題：機器學習都是靠梯度來找最優模型的，剃度越小，模型越好。
為什麼梯度會消失或爆炸呢，如果一句話很長，係數很小的話（比如0.002），一直相乘，會越來越接近0，最後消失，如果係數很大，一直相乘結果會越來越大，造成梯度爆炸。
2.LSTM：
圖為：長短期記憶網
從上圖和RNN對比發現，每個隱藏層內又做了許多的運算
1）第1個運算為忘記門：
就是決定什麼信息應該被神經元遺忘。它會輸出 「0」或」1″，」1″表示」完全保留這個」，」0″表示」完全遺忘這個」。
2）第2個就是輸入門
就是決定我們要在神經元細胞中保存什麼信息
3）然後就是輸出門
決定哪一部分的神經元狀態需要被輸出
3.LSTM在思想上是與RNN相通的，不同之處都在算法上。
傳統機器學習與深度學習對比一、理論對比：
首先，深度學習是機器學習的一種
1. 數據：
a) 隨著數據的增加，相比機器學習深度學習的性能會越來越好。
b) 深度學習不需要對數據處理，會自動學習提取特徵，而機器學習需要先對數據進行 格式轉化，數據清洗，壓縮緯度等操作。
2. 規則：
a) 具有特定規則的數據，使用機器學習比較好。一些簡單的場景沒必要使用深度學習
3. 硬體
a) 深度學習需要進行大量的矩陣計算，對硬體要求比較高。
4. 執行時間
a) 深度學習訓練模型需要的時間較長。
二、實踐對比：
分別使用貝葉斯算法及深度學習算法進行文本分類預測：
圖為：神經網絡與貝葉斯算法對意向分析對比圖
實例1：
分析：從結果可以看出，不同的數據順序，預測的結果會不同。
實例2：
分析：結果可以看出，神經網絡對消極的判斷的概率更高一些。
實例3：
分析：結果可以看出，神經網絡對積極的判斷的概率更高一些。
如上，」LSTM 詳解」」傳統機器學習與深度學習對比」，非專業人士理解起來或許還有一定難度。不過，各位老闆與管理者不用著急，以上純乾貨理論知識，超兔已經將理論逐步落地實踐，成為超兔CRM系統中的一部分功能，有「AI潛客意向判斷」、「猛獁微助」，更多好功能持續開發中。