AI 在 marketing 中有很多應用，例如 搜索，推薦系統，程序化廣告，市場預測，語音/文本識別（會話商務），防欺詐，網頁設計，商品定價，聊天機器人等。
其中很重要的一個部分叫 audience target，AI 可以應用在這里，可以對顧客和顧客的需求進行精準的定位，找到前20%最有價值的客戶，預測顧客下一次會買什么東西，這樣可以減少時間金錢等資源的消耗。
另一個應用是內容生成，輸入一個關鍵詞，從大量的數據里，找到和這個關鍵詞相關的段落文章等，融合成一段文字。
這個技術可以針對目標客戶生成能夠吸引他們的內容，找到能夠激發他們購買欲的單詞短語句子等，將流量轉化為銷量。很多公司都用這個技術，例如雅虎。還有一個是實時優化，當你通過電子郵件向你的客戶推送消息的時候，你要實時地分析他們喜歡什么，不喜歡什么。
一個人在不同的時間會使用電腦，手機，平板等不同的設備，AI 還可以被用來預測用戶在什么時間會使用什么設備，幫助公司在特定的設備上進行有效的推送。
1. 接下來看一下 audience targeting 的一個例子：
給定一個廣告，來看哪些顧客更有可能被轉化
用一個矩陣來表示用戶對一些廣告的評分，這里需要用到矩陣分解，即要把這個矩陣分成兩個矩陣的乘積，其中一個矩陣表示每個用戶對某些特征的喜好程度，另一個矩陣表示這些廣告在這些特征上的得分。
AI 可以將這個矩陣中空白的地方預測出來?？梢灶A測用戶對未評分的廣告會打的分數。有了這個乘積得到的矩陣，就可以知道用戶對沒有評分過的廣告的評分。然后可以設定一個閾值，當評分高于這個閾值時，就推送這個廣告。
這里可以用 LightFM， 是一個python庫，有很多流行的推薦算法，可以生成 user 和 item 的矩陣表示，可以學習每個特征的 embedding ，然后再將 user 和 item 的兩個矩陣相乘得到一個分數。
還可以用神經網絡可以得到更有意義的表達。
TensorRec 是一個較新的基于 Tensorflow 搭建推薦系統的庫，可以根據用戶過去喜歡的廣告，生成一個可能喜歡的新廣告。
2. 那么具體如何做推薦呢？
第一步，將數據轉化為 feature tensor，為了做 embedding，這里可以用 word2vec。
第二步，將 user ，item tensor 轉化為 user～item 表達。當然因為這是個預測值，所以就會有 loss function，這里用梯度下降求得參數，使損失最小。
第三步，用 TensorRec 來進行推薦
整體流程為：
建立模型－－數據－－訓練模型－－進行預測－－最后用 Recall 進行評估：
3. 內容生成
前面提到的其中一個應用 內容生成，
當推薦系統建立之后，要推薦的內容也可以用 AI 自動生成。
這里用到 LSTM，
我們知道 RNN 很擅長預測序列，根據前面的幾個字預測緊接著的后面這個字是什么。不過當句子很長時，會有 vanishing gradient 問題。
而在 LSTM 中，有幾個 gate，它們可以追蹤 gradient，用來應對 vanishing gradient 問題，這樣 LSTM 就可以記憶很長的序列。
下面是部分代碼：
用 Keras 庫可以很簡單地就構建出復雜的神經網絡，很易讀，一行代表一層，
優化器用的是 RMSprop，
# build the model: a single LSTM
print('Build model...')
model = Sequential()
model.add(LSTM(128, input_shape=(maxlen, len(chars))))
model.add(Dense(len(chars)))
model.add(Activation('softmax'))
optimizer = RMSprop(lr=0.01)
model.compile(loss='categorical_crossentropy', optimizer=optimizer)
def sample(preds, temperature=1.0):
# helper function to sample an index from a probability array
preds = np.asarray(preds).astype('float64')
preds = np.log(preds) / temperature
exp_preds = np.exp(preds)
preds = exp_preds / np.sum(exp_preds)
probas = np.random.multinomial(1, preds, 1)
return np.argmax(probas)
def on_epoch_end(epoch, logs):
# Function invoked at end of each epoch. Prints generated text.
print()
print('----- Generating text after Epoch: %d' % epoch)
start_index = random.randint(0, len(text) - maxlen - 1)
for diversity in [0.2, 0.5, 1.0, 1.2]:
print('----- diversity:', diversity)
generated = ''
sentence = text[start_index: start_index + maxlen]
generated += sentence
print('----- Generating with seed: "' + sentence + '"')
sys.stdout.write(generated)
for i in range(400):
x_pred = np.zeros((1, maxlen, len(chars)))
for t, char in enumerate(sentence):
x_pred[0, t, char_indices[char]] = 1.
preds = model.predict(x_pred, verbose=0)[0]
next_index = sample(preds, diversity)
next_char = indices_char[next_index]
generated += next_char
sentence = sentence[1:] + next_char
sys.stdout.write(next_char)
sys.stdout.flush()
print()
print_callback = LambdaCallback(on_epoch_end=on_epoch_end)
model.fit(x, y,
batch_size=128,
epochs=60,
callbacks=[print_callback])
學習資源：
https://www.youtube.com/watch?v=FYMjXD3G__Y&t=548s
https://www.techemergence.com/artificial-intelligence-in-marketing-and-advertising-5-examples-of-real-traction/
https://econsultancy.com/blog/67745-15-examples-of-artificial-intelligence-in-marketing/
