甘孜藏族 【切换城市】

首页 > 企业资讯 >新闻内容

代餐粉!下一个行业新风口?Fernbaby斐婴宝入局代餐

来源:企业提供 2021年03月10日 09:34

2020年国民健康洞察报告》显示,年轻人成为当下最焦虑自身健康状况的群体。90后消费群体是对健康期望值很高,但自身评分最低的一代。此外,中国肥胖人群规模在2019年已经达到2.5亿人以上,肥胖引起的健康问题逐渐成为社会关注的焦点。加上新冠疫情进一步激发了人们对控制体重、健康生活的追求,代餐市场一跃而起。


“躺瘦”的年轻人,“养肥”千亿代餐市场

代餐奶昔、蛋白棒、即食鸡胸肉……零食当饭吃已经成为潮流,想要控制体重,喝一瓶代餐粉当晚饭……主打低热量、健康、饱腹的代餐食品如今在年轻人中走红,成为饮食圈的新潮流,也吸引众多食品企业投身其中,获得资本青睐。数据显示, 2019 年,国内以代餐产品为主的“功能型瘦身食品”市场规模已接近 2000 亿元,2023 年更有望超过 4000 亿元。

但代餐食品托起千亿元市场的同时,也暴露出鱼龙混杂的乱象。目前,国内并没有关于代餐食品的强制性标准,中国营养学会最新颁布的《代餐食品》团体标准,仅作为行业参考标准。代餐食品目前仍按照普通食品来管理,亟待规范。因此市面上很多品牌产品配方单一,品质良莠不齐,以谷物代餐粉为例,其成分主要是碳水化合物,热量虽然够,但维生素和矿物质是不足的;要知道,一个好的代餐品关键是配方的营养系统足够全面,而营养匮乏的代餐品,还不如一杯牛奶燕麦片的营养价值高;此类产品对于有“减肥减重”需求的人群来说,长期食用很容易导致营养不良,甚至产生一系列因营养不良而造成的更严重健康问题。

(来源网络,若涉及侵权请及时联系我们处理)

近些年,网络也频繁曝出因食用“不良代餐品减肥”而险些丧命的新闻事件,诸如“23岁女生吃代餐减肥致肝衰竭……,据悉,紧急换肝才救回一条命。”这种市场乱象之下,也严重影响了消费者对此类产品的认知和消费选择,代餐行业的良性发展亟待规范化的监管

伴随着市场的日益扩大,代餐这一领域也吸引了众多知名保健品企业、食品企业投身其中。市场利好和资本青睐下,是无数品牌的争先入场,如卡乐比、keep、汤臣倍健、喜茶、伊利等..……这其中,来自新西兰本地超市的五大奶粉品牌之一Fernbaby斐婴宝以其与众不同的【精准营养概念】成为市场黑马。Fernbaby斐婴宝于 2020年进入中国市场,在顺应国内大健康的发展趋势下,旗下开设了大健康品牌——【336Hours】,其研发推出了精准营养代餐产品,抢先布局了功能性食品代餐市场。这匹黑马,在众多品牌中快速脱颖而出,引得众多行业人士争相加盟,短短数月便已突破100家实体运营商“做第一个吃螃蟹的人”。

336Hours精准营养代餐粉,引领代餐产品未来风向。

代餐,主要指取代部分或全部正餐的食物。而336Hours则是国内首个推出【精准营养概念】的代餐品牌。336Hours精准营养代餐,是基于国际健康饮食TRETNM精准营养的饮食体系。区别于一般代餐,其产品针对不同人群进行精准营养添加,除了0脂肪、0蔗糖、高蛋白、高膳食纤维的特点外,还添加了不同人群的特别营养。是全营养型的国际第T5代代餐(T5是国际代餐目前最高等级)。其产品应用范围广泛,饱腹感强、味道好、营养丰富,涵盖了——男性健康、女性养颜、三高健康、减脂减重、青少年营养补充剂、术后流食、上班代餐、中老年营养补充等多个场景及适用人群。

336Hours精准营养代餐粉:根据不同人群对营养需求的不同,精准剔除目标人群过剩或不需要的营养(如:蔗糖、脂肪),精准添加有益目标人群的特别营养——如苦瓜肽(有益降血糖)。其产品以基粉不同,分为牛奶代餐系列(优质新西兰牛奶奶源为基粉)和骆驼乳代餐系列(澳洲骆驼奶奶源为基粉),是婴幼儿级食品,更安全易吸收。品牌更是拥有国际认证的专利技术,研究成果荣登国际科学期刊,品质实力可见一斑。

后疫情时代下,人们的健康意识有增无减。数据显示,36.0% 的受访网民认为自己超重,其中近七成已尝试过或有意愿尝试瘦身。同时,大众消费需求的重构和新消费观念的形成也催生出结构化的消费升级,对方兴未艾的代餐行业来说,其中的机遇不言自明。

Fernbaby斐婴宝始终围绕乳业研发、生产系列健康产品,严格把控生产、运输、检测,把安全、健康的产品带给全球每一个消费者;旗下的336Hours品牌更是以健康、营养为理念,辅助客户进行体重管理,达到健康且美的生活状态。相信在未来,风口上的336Hours精准营养代餐粉将有更多可能!


该稿件由企业提供,我站不对信息真实性负责。

关键字:

相关推荐

三星和韩国政府的恩怨情仇:捧得起你,就摔得起你

本篇文章3770字,读完约10分钟编者按:本文来自微信公众号贝克街探案官(ID:bkjtag),创业邦经授权转载。2020年6月9日,据韩媒消息,韩国首尔中央地方法院驳回了检方要求逮捕三星集团副董事长李在镕的请求。法官认为检方提出逮捕李在镕的合法性存疑、证据不够充分,所以作出不予逮捕的决定。此前韩国检方申请逮捕李在镕,认为三星生物公司涉嫌会计造假欺诈,以及2015年三星子公司合并具有争议,很有可能违反了操作原则。但是无论如何,李在镕暂时已经安全了。在三星董事长李健熙已经入院四年持续昏迷不醒的状态下,李在镕深陷法务纠缠,对三星造成了不利的影响。虽然韩国法院此次驳回了检察院希望逮捕李在镕的决定,但是检方已经表示将会继续收集证据,不排除跳过逮捕步骤直接将李在镕告上法庭的可能性。从1938年李秉哲创办三星商铺,再到李健熙接手将三星做到了占韩国整体GDP高达20%的跨国巨型企业,其已深透渗入了韩国的方方面面。三星从成长到辉煌,每一步都离不开韩国政府在背后的影子。然而当成长到“大而不能掉”的地步时,韩国政府对三星如今是更多的忌惮,而非依靠。兜兜转转近100年间,三星和韩国政府碰撞出了怎样的火花。政府倾心扶持1938年,李秉哲创办了三星商铺,开始了一段传奇的创业之旅。在日本入侵韩国结束之后,李秉哲重新成立了三星物产公司,并将其搬到了首尔。和平带来了三星公司的迅猛发展。扎根于国际贸易的三星,很快赚得盆满钵满,为日后并购打下了资金基础。20世纪70年代,韩国政府为了推动经济发展,实现经济独立,决定在政府层面鼓励重化工业发展。而这也给了李秉哲充分的契机。在政府的政策引导和部分资金扶持下,三星成立了三星化工,三星石油等子公司。决定在重工业,化学和石油等工业领域发展。也正是韩国政府给予的重化工业扶持计划,给了三星日后大力“砸钱”三星电子名满天下,创造了最大的资本基础。在20世纪60年代中期开始,美国的半导体公司诸如仙童和摩托罗拉,开始将组装基地设立在韩国。而原因正是韩国大力鼓动国外电子类公司在韩国投资建厂。在韩国的政策扶持下,包括三洋和东芝等日本半导体公司也纷纷到韩国设立组装厂。但是,这种趋势维持了十年,韩国也依然没有任何技术进口,只是做着最简单的组装工作。到了1970年,韩国的经济结构受到了冲击。政府决定不在轻工业等领域继续扶持企业,转而将重点放在了半导体和电子领域。由此在1975年推出了“推动半导体产业发展的六年计划”。而在这一计划之前,1969年,三星电子公司成立。1974年,提前获得风声的李秉哲成立了三星半导体公司。韩国政府推动各大企业发展半导体和电子的决心是史无前例的。为此,韩国政府在同期开始推动国有企业私有化。韩国政府将许多政府主导或投资的银行、航空、以及钢铁企业纷纷实行民营私有化,以这种方式“转让”给各大财团,对其进行经济上的帮助。韩国政府所推行的“政府加大财团”发展模式也将半导体行业初期投资的巨额亏损模式进行了改善,避免出现巨额亏损一家企业无法承受而倒闭的不利局面。政府的倾心扶持带来了韩国重化工业以及半导体行业的突飞猛进发展。而三星作为其中的佼佼者更是不遑多让。在一众半导体扶持企业中,三星电子和三星半导体在李秉哲的独具慧眼之下,更具前瞻性地将宝压在了存储芯片行业。1983年李秉哲决定,对内存芯片以及存储芯片进行大规模投资,并且在韩国买下了超过200亩土地来建立存储芯片工厂。这一举动当时被视作一场大规模的赌博。因为在很多企业看来,三星进入的存储芯片市场已经是“夕阳西下”。外国企业都在纷纷退出这一领域。但是李秉哲的决定并非是一时脑热。1982年,韩国政府发布了半导体工业扶持计划,提出将实现国内消费电子产品需求和生产设备的进口替代。并且在韩国国内建立完整的半导体设备生产链。有了政府的扶持,李秉哲底气十足。从美光购买DRAM技术,从夏普购买加工工艺,三星同时与诸如英特尔等多个公司签订了技术转让许可协议。三星在进入这个市场之后,存储芯片市场变成了“修罗场”。三星每一块存储芯片的生产成本为1.3美元,而售价仅仅是30美分。这就说明三星每卖出一块芯片,就要亏损1美元。仅仅三年时间,三星电子的累计亏损就达到了3亿美元。但是此时韩国政府站了出来,为了能够扶持三星这类的企业,韩国政府将日本的战争赔款悉数投入了近来,给各大企业提供了3.46亿美元的贷款。由政府领投,在短期内又募集了私人投资20亿美元。三星在DRAM技术上碰到了技术难题,韩国国家电子通信研究所倾力协助。研发费用60%由政府承担。政府兜底、政府采购、关税保护等等一系列政策为扶持下,三星电子安心发展。在1987年美日之间的存储芯片政策大战中,三星终于借着全球存储芯片吃紧,从持续的亏损状态中解脱出来,开始盈利。此后赶上日本经济泡沫破裂,东芝,NEC等公司大幅削减在半导体电子上的投资。三星于是一举超过,在1992年成为第一大存储芯片制造商。图注:1977-2017韩国半导体出口金额来源:Wind,狮门1994年,韩国出台了《半导体芯片保护法》,并且规定了“五年半导体后续发展计划”。明文宣布,韩国国内尽可能实现自研自产,特殊设备需要进口的,也必须要求各大财团共同承包。从政府机构设置,到法律制度建设,再到倾力的资金扶持,韩国政府在三星电子的成长道路上,画下了浓墨重彩的一笔。破裂的蜜月期在进入2000年之后,已经取得优势的三星电子以及三星半导体在全球市场上所向披靡。凭借着三星母公司在韩国其他领域的资金收入,三星电子在全球芯片市场持续进行反周期倾销和竞争,造成了大批国外竞争企业破产。经过十多年的竞争,如今在存储芯片市场上,三星已经占据了绝对的话语权。而第二大存储芯片公司SK海力士同样也是韩国企业。三星凭借着三星电子的爆棚式发展,一跃成为全球知名企业,并且在韩国国内取得了巨大优势。2017年,三星电子全球品牌排行榜中名列第六位,在世界500强中排名15,旗下包含156家子公司。占到国内GDP20%之巨的巨无霸,韩国政府早已不是当初的大力扶持心态,而是转为了全面打压。在韩国总统朴槿惠被弹劾的同时,三星当值的副会长李在镕也被同期调查。检方认为李在镕在朴槿惠任职期间,对其以及亲信崔顺实多次贿赂以谋取利益。李在镕被调查8个月后,韩国首尔中央地方法院就裁定李在镕行贿、挪用公款、非法转移资产数罪并罚,判处5年有期徒刑。随后李在镕上诉,才被改判为缓刑4年逃过一劫。没过多久,韩国政府要求三星整顿内部交叉持股。而交叉持股方式正是李健熙惯用的以少部分股权控制整个三星的手法。同年,韩国政府还强迫三星人寿抛售价值15万亿韩元的三星电子股票。文在寅还在推进通过议会立法,禁止保险公司对关联公司的持股价值超过自身总资产的3%,以此来打击三星交叉持股的问题。不仅副会长被查,2019年,三星电子董事长李尚勋被提以破坏合法工会活动判处一年半刑期。韩国政府对财阀的炮火远不止三星一家。在文在寅带领下,韩国政府对财阀集团出手“不可谓不狠”。文在寅上台同年,提名金相九担任公平贸易委员会主席。2017年9月,金相九召集韩国财阀代表,宣布推动财阀改革公司治理架构,要求各大财阀限期完成。文在寅上台后第二年,就授意韩国检方突袭检查LG集团总部,调查取证LG家族成员涉嫌逃税一案。而在文在寅之前,朴槿惠时期的韩国政府先后对SK集团崔泰源会长实施拘捕,判处4年有期徒刑。韩华财团会长金升渊也被判处四年有期徒刑。韩国因财阀而起,也因财阀而恐。在经济不发达的年代,韩国政府鼎力扶持韩国财团,主动建立起了财团现象,将韩国的名片打到了世界的各个角落。而如今,刀枪入库,等待韩国财阀和政府的,将是越来越激烈的对抗。本文(含图片)为合作媒体授权创业邦转载,不代表创业邦立场,转载请联系原作者。如有任何疑问,请联系editor@cyzone.cn。

2020年06月12日 11:43

Philip S. Yu 团队最新综述!社区发现的深度学习方法:进展、挑战、机遇

本篇文章10140字,读完约26分钟雷锋网AI科技评论按:社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类等方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?近日,IJCAI2020上发表的一篇Survey文章,完整阐释了这一研究方向的方法、挑战和机遇。论文来自数据挖掘领域大牛PhilipS.Yu团队。论文标题:DeepLearningforCommunityDetection:Progress,ChallengesandOpportunities社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?网络中的社区指的是一组由节点以及与其相连的边紧密地形成的实体。社区发现旨在遵循「社区中的节点紧密相连,不同社区间的节点稀疏相连」的规则对实体集合进行聚类。包括谱聚类、统计推断在内的传统社区发现方法在处理高维图数据时存在计算速度的问题。因此,近年来,深度学习方法被广泛地应用。在本文中,作者特别调研了社区发现的深度学习方法这一研究领域中的最新进展,并根据用到的深度神经网络、深度图嵌入、图神经网络对这些方法进行分类。由于目前深度学习的能力仍然不能满足处理复杂网络结构的需求,本文作者指出了当前该领域面临的挑战和研究机遇。一、社区发现网络是有两种基本的实体(即节点和边)形成的。根据图理论,「社区」是一种内部节点紧密相连的子图,它遵循以下特定的规则:(1)社区内的节点紧密相连;(2)不同社区中的节点稀疏相连。人们也将社区看做一种聚类簇,其中相同社区内的节点可以共享共用的特性和/或扮演类似的角色。这里根据Radicchi等人基于网络统计分析给出的定义展开讨论。根据节点在社区内部和外部的度,我们可以将社区分为两类:强社区和弱社区。节点的「内部度」代表将该节点与同一个社区中其它节点连接起来的边数,节点的「外部度」则代表将该节点与属于其它社区的节点连接起来的边数。一个弱社区是其中的节点的内部度之和大于外部度之和的子图。一个强社区是其中每个节点的内部度都大于外部度的子图。针对社区的网络结构,本文采用了强社区的定义。社区发现可以帮助我们理解网络内在的模式和功能。在现实世界的应用中,社区将复杂系统中的信息聚集了起来。举例而言,Chen、Yuan等人发现在「蛋白质-蛋白质」交互(PPI)网络中,被聚合到社区中的蛋白质具有相似的生物学功能;Chen、Redner等人,在论文引用网络中,通过社区发现技术确定通过论文引用连接起来的课题的重要性、相互关联以及演变情况;Zhang等人,在企业网络中,通过研究离线的公司内部数据源以及在线的企业社交关系将雇员分组到不同的社区中;Yang等人指出,在线社交网络中(例如Twitter和Facebook)拥有共同的兴趣或朋友的用户可能来自同一个社区(如图1所示)。图1:社交网络中的社区发现示例。根据个体之间的紧密度,网络被划分为两个社区,即包含三个节点的社区C_1和包含四个节点的社区C_2。传统的社区发现方法大部分都是基于统计推断和机器学习发展出来的。例如,在统计学领域非常具有代表性的社区发现方法「随机分块模型」(SBM)被广泛用于描述社区是如何形成的。然而,在处理当下的复杂数据及和社交场景时,这些传统的方法面临着许多问题。此外,在机器学习领域,发现社区的工作往往被看做一个图上的聚类问题。Ng等人用特征向量(例如邻接矩阵和Laplacian矩阵)实现了将节点划分到社区中的谱聚类方法,然而这种方法在稀疏网络上的性能较差。同时,对于预设的社区数目的要求也特别限制了依赖统计推断的模型的研发。在网络分析领域中,传统的方法并没有考虑到节点的属性,而这些属性描述了特征的丰富信息。此外,由于过高的计算复杂度,动态方法也很难被应用于大规模网络。总而言之,处理由图及其属性、大规模网络和动态环境形成的高维数据需要更强大的技术,从而同时兼顾高性能和计算速度。深度学习使计算模型可以学习到具有多层次抽象的数据表征。许多计算模型和算法都需要对以网络结构形式存在的数据进行表征学习。深度学习技术在学习非线性特征时具有很大的优势。这一点在诸如计算机视觉、自然语言处理等领域中都取得了广泛的成功,在这些领域中数据有着内在的关系。在网络分析领域,深度学习可以有效地通过多层深度神经网络降低数据维度,从而完成社区发现、节点分类、链接预测等任务。这里重点研究深度学习在社区发现任务中的应用的新研究趋势,PhilipS.Yu等人的这篇综述贡献有:(1)分析了将深度学习方法用于社区发现的优势;(2)从技术的视角,总结了目前最先进的研究,并对其进行分类;(3)讨论了仍然存在的挑战,并指出了具有前景的未来工作的机遇。据AI科技评论所知,这篇综述也是首次全面回顾深度学习在社区发现中的应用,对研究人员和技术专家理解深度学习和社交网络领域的发展趋势有着巨大帮助。图2:社区发现之深度学习:进步、挑战和机遇。二、何为社区发现?简单来说,社区发现,即从网络G中发现社区C。这里提到的网络是一种特殊的图,它对现实世界中的系统(例如,互联网、学术合作网络以及社交群组)中的复杂关系进行了抽象。在这里,网络的概念主要强调的是其拓扑结构。定义1(网络G)基于图理论,有权网络可以被表征为G=(V,E,W),而无权网络可以被表征为G=(V,E),其中V和E分别代表节点的集合和边的集合,W代表E相应的权值。每条边通过权值描述连接强度或者容量。我们可以将无权图的W视为1,将其从图G中去除。子图g⊆G是对于图的一种划分,它保持了原始的网络结构。子图的划分遵循预先定义好的规则。根据不同的规则可能得到不同形式的子图。社区是一种表征真实社交现象的子图;也就是说,在群组中存在一组具有紧密关系的对象。这里遵循由Radicchi定义的强社区的概念。定义2(社区C)社区是一组网络中相互联系的子图。社区中的节点具有密集的连接,而不同社区之间的节点具有稀疏的连接。根据一种将节点聚类到不同群组中的网络划分方法给出一个社区C_i,我们得到C={C_1,C_2,...,C_k},其中k代表可以从原始网络中被划分出的社区数。被聚合到社区C_i中的节点v满足:v到社区内每个节点的内部度大于其外部度。三、为什么要使用深度学习进行社区发现?与其他机器学习方法相比,深度学习的明显优势是它能够将高维数据编码到一个新的特征表征中。通过使用以图结构的形式组织的数据表征节点之间的联系,许多深度学习方法都可以学习到节点、邻域以及子图的模式。在多数现实场景中,数据缺乏节点标签信息和关于社区的先验信息,而深度学习在无监督学习的任务中体现出了优势。除了简单地利用网络拓扑来发现社区之外,一些方法还将语义描述作为数据中的节点属性加以研究。在传统社区发现方法中,这类方法主要基于邻接矩阵和节点属性矩阵。然而,深度学习可以构建更有效的节点属性和社区结构表征。因此,深度学习填平了传统社区发现方法中存在的关键短板。为了实现这一目标,近年来的工作指出了一些具有前景的研究方向:将深度学习模型应用于社区发现,以及基于社区的特性修改深度学习模型。将深度学习应用于社区发现的前景可以被表述为:(1)通过深度学习模型提升传统社区发现方法的性能;(2)从对于深度学习至关重要的特征维度上引入更多的信息;(3)从网络实体的拓扑和属性入手,同时提升模型的学习性能和鲁棒性;(4)现在可以更好地从复杂的相关结构中对大规模网络进行检测。四、基于深度学习的社区发现为了对近年来将深度学习用于社区发现的研究进展进行概述,Philip等人从技术的角度总结了现有的方法。具体而言,他们首先对具有影响力的社区发现深度学习方法进行了分类。在每一类中,他们概述了框架、模型以及算法的技术贡献。为了研究近年来被应用于社区发现的深度学习方法,图2描述了相关深度学习方法的详细分类情况,并相应地附上了总结出来的挑战。本章将从基于深度神经网络、基于深度图嵌入、以及基于图神经网络的社区发现方法三个方面展开叙述。4.1基于深度神经网络的社区发现深度神经网络在对复杂的关系进行建模和发现的任务中具有天然的优势。考虑到现有的深度神经网络模型在社区发现领域的流形程度,作者选取了基于卷积神经网络(CNN)、基于自编码器、基于生成对抗网络(GAN)的社区发现方法进行调研。基于CNN的社区发现CNN的关键组件包含卷积操作和对卷积层结果的最大池化操作。卷积操作利用卷积核降低计算开销。随后,最大池化操作被用于特征提取,这保证了CNN的鲁棒性。得益于CNN的发展,Xin等人设计了一种用于社区发现的新型CNN,并提出了一种用于拓扑结构不完整的网络的有监督算法。由于社区发现被广泛看做一种无监督聚类任务,科研人员对基于无监督CNN的社区发现进行了研究。人们研发出了在CNN框架下的系数矩阵卷积,从而专门进行对高度稀疏的邻接矩阵的表征。基于自编码器的社区发现栈式自编码器是一种深度学习模型,它在社区发现任务中表现出了强大的性能,可以表征网络矩阵的非线性特征。研究者们发现自编码器和谱聚类在谱矩阵的低维近似方面有相似的框架,并受此启发将自编码器引入了社区发现领域。此后,Cao等人提出了一种将网络拓扑和节点属性相结合的栈式自编码器,它提升了深度神经网络隐层的泛化能力。为了进一步解决网络拓扑和节点属性之间的匹配问题,Cao等人通过引入一个控制这种匹配的折中的自适应参数,研发了一种带有图正则化的自编码器方法。着眼于网络拓扑,Xie等人提出在深度自编码器中对邻接矩阵进行变换,从而有效地学到节点相似度。同时,Bhatia和Rani提出的自编码器通过对随机游走序列建模学习节点的结构,他们通过优化社区结构的模块度对这种序列进行调优。为了避免预设社团的数量,Bhatia和Rani提出了一种层级栈式自编码器,他们找出种子节点,基于网络结构有效地将其它节点加入到社区中。此后,该领域的研究旨在自适应地学习而不是预定义社区结构。Choong等人提出的方法大大地提升了训练损失验证阶段的计算效率。这种自动选择机制保证了模型基于社区标准分配节点。Xu等人将包含具有正负号连接的网络成为有符号网络(signednetwork)。为了处理边上的有符号信息,Shen和Chung提出了一种半监督的栈式自编码器,它可以重构邻接矩阵,为进一步的深度学习网络嵌入的学习表征有符号网络。基于生成对抗网络(GAN)的社区发现GAN包含两种相互竞争的深度神经网络,因此它可以迅速调整训练精度。典型的GAN是以无监督方式运行的,它们生成与训练集中的数据具有相同统计特征的新数据。对于网络数据来说,GAN模型适用于无标签的数据集和序列化的网络划分。Yang和Leskovec等人基于对抗性机制,提出了社区隶属关系图模型(AGM)。AGM基于「节点-社区」成员隶属关系(nodemembership)的思想对重叠的社区中的节点进行编码。每个社区都有一个单一的概率,使得社区结构可以在GAN中进行。Jia等人通过将这种模型与GAN相结合研发了一种新型的框架,它根据具有中间项(即隶属图中的「节点-社区」成员隶属关系)进行社区发现。4.2基于深度图嵌入的社区发现深度图嵌入是一种将网络中的节点映射到一个低维向量空间中的技术。它将尽可能多的结构信息保存到表征中。通过图嵌入,基于网络分析的机器学习任务(例如链接预测、节点分类和节点聚类)可以利用表征的潜在特征,这样节省了主要由网络搜索引起的计算开销。对于社区发现任务来说,基于节点表征的图嵌入的输出支持聚类的任务(例如通过k-means聚类)。基于深度非负矩阵分解的社区发现非负矩阵分解(NMF)是一类将矩阵分解为两个矩阵的算法,它具有如下性质:三个矩阵都没有负的特征值。NMF自动地对输入数据的列进行聚类,通过训练阶段的误差函数,使原始矩阵和两个分解出的矩阵之间的近似误差最小。Ye等人提出了一种用于社区发现的深度NMF模型,其中深度学习架构可以促进NMF学习原始网络结构和社区结构之间的层次化映射。在某些情况下,社区发现的工作需要与对带有属性的内容的语义理解同时进行。为此,研究人员以一种带属性的图的形式表征网络,这种图同时包含了网络结构和节点的属性。Li等人特别针对带属性图的社区发现任务提出了一种嵌入方法,它将带有属性的社区发现看做一个NMF优化问题。为了使算法收敛,他们设计了一套可计算的迭代更新规则。基于深度稀疏滤波的社区发现邻接矩阵反映出了网络的稀疏性。嵌入对输入的成对关系进行编码,从而避免在稀疏矩阵上进行搜索。稀疏滤波(SF)是一种有效的深度特征学习算法,它只用到了一个超参数,但可以处理高维输入。SF的关键模块是针对L2正则化后的特征的稀疏性设计的简单代价函数。对于网络(尤其是在大型网络中)的社区发现,Xie等人基于深度稀疏滤波提出了一种高效的网络表征方法。他们通过一种无监督的深度学习算法划分网络,从而提取网络特征。基于社区嵌入的社区发现传统意义上,图嵌入重点关注单个的节点。Cavallari等人研究了另一种重要的、但是鲜有人探索过的图嵌入情况,他们重点关注对社区的嵌入。他们认为这种新的重要策略有益于社区发现任务。具体而言,社区嵌入的目标是在低维空间中学习一种社区的节点分布。我们可以通过过渡性(transitional)的图嵌入方法使用这种新的节点分布,从而很好地保留网络结构,这反过来可以提升社区发现的性能。此外,Tu等人提出了一种新的图嵌入模型,它同时探测每个节点的社区分布,并且学习节点和社区的嵌入。网络中的社区实际上反映了同一个社区中相似的观点、行为等高阶近似信息。Zhang等人提出了一种保留社区信息的社交网络嵌入方法来学习网络表征。他们提出的这种方法在社区检测任务中体现出了性能的优越性。4.3基于图神经网络的社区发现近年来,图神经网络(GNN)的迅猛发展表明了图挖掘和深度学习技术融合的趋势。基于GNN的社区发现被用于利用图神经网络对网络上的复杂关系进行建模,并捕获这种关系。例如,Chen等人提出的有监督社区发现GNN引入了一种非回溯的运算符,来定义边的邻接性。这种方法可以提升学习性能。对于GNN来说,运算符的选择非常方便。图卷积网络(GCN)是基于CNN研发的,它继承了快速学习的能力。面对图输入数据,GCN展现出了非常好的性能。GCN带来的巨大提升在于整合了考虑网络中实体概率分布的概率模型。例如,Jin等人通过马尔科夫随机场解决了包含语义信息的带属性网络中的半监督社区发现问题。Shchur和Gunnemann将「伯努利-泊松」概率模型整合到GCN中,用于重叠社区发现问题。通过这种方法,卷积层可以识别复杂的网络模式。五、挑战和机遇近年来(尤其是近5年来),用于社区发现的深度学习技术迅速发展。由于对现实世界具有重大的影响,这一领域持续受到研究人员的关注。尽管取得了令人欣喜的成果,在将深度学习应用于社区发现的领域中,仍然有一些挑战有待被更好地解决。下面,本文将总结这些挑战和机遇。挑战1:社区数未知长久以来,由于社区数未知而引发的挑战始终没有得到很好的解决。在机器学习领域中,社区发现经常被表示为一种无监督聚类任务。总现实世界的网络中提取出的研究数据大多是没有标签的。因此,我们很难获取有关社区数的先验知识。此外,大多数现有的深度学习社区发现方法(尤其是深度图嵌入),通过评估潜在特征空间中的节点相似度获取分类节点。然而,在后续的聚类算法中,聚类的目标数量仍然需要被事先定义。机遇:对于这一挑战,一个直接的解决方案是通过分析网络拓扑确定社区的数量,并将其整合到深度学习模型中。Bhatia和Rani等人遵循这一思想,采用基于随机游走的定制化PageRank算法,通过将图重构到一种线性的形式进行社区发现,并通过模块化的优化方法来应用调优。但是这些方法并不能保证网络中的每个节点可以被分配到特定的社区中。因此,我们需要为社区发现任务涉及新的模型,从而避免在分配社区的过程中漏掉某些节点。挑战2:网络层次网络层次反映了分层的网络结构,它将位于独立的层上的多个群组连接了起来,从而形成一个更加复杂的网络。而每一层都专注于特定的功能。对于多层网络,用于社区发现的深度学习技术必须实现对于两种层次上的表征的提取。而且他们将面临多层网络固有的挑战,这包括不同的关系类型以及不同层中不同的稀疏程度。机遇:为了区分不同种类的连接,Song和Thiagarajan提出了一种具有特殊子图设计的多层DeepWalk模型,从而保存了层次化的结构。但是他们并没有同时优化可以用于所有层的公用表征以及保留了特定层网络结构的局部表征。他们的目的是利用不同层之间的依赖,而实际上这种依赖关系经常被破坏。此外,对于新的设计来说,还应该考虑与层数增加有关的可伸缩性问题。因此,在研发用于具有网络层次的社区发现的深度学习方法的问题上,我们还有很长的路要走。挑战3:网络异质性网络的异质性指的是网络中实体类型的显著差异,而各种各样的节点集合和它们之间复杂的联系形成了异质网络。因此,我们应该通过不同于同质网络的方式研究异质网络中的社区发现。在应用和研发深度学习模型和算法时,应该解决异质网络实体上的概率分布的差异。机遇:大多数之前的深度学习方法并不是基于网络异质性研发的。Change等人设计了一种非线性嵌入函数,它被用于捕获异质组件之间的交互。因此,未来在异质网络上至少存在两个方面的研究机遇:(1)异质网络表征的深度图嵌入学习模型以及相关的支撑算法;(2)采用新型训练过程的特定深度学习模型,旨在学习隐藏层中的异构图属性。挑战4:边上带符号的信息许多现实世界中的网络具有边上的符号信息(即正关系或负关系)。在有符号网络的环境下,用于社区发现的深度学习方法面临的挑战是:通过不同的符号信息表示的节点之间的联系应该以不同的方式对待。机遇:一种可能的解决方案是,通过设计一种随机游走过程引入正关系边和负关系边。Hu等人遵循这一思路,基于词嵌入技术研发了一种稀疏图嵌入模型。但是,他们的方法在一些小型的真实世界中的有符号网络中的性能要差于作为对比基线的谱方法。另一种的可能的解决方案是重建一个有符号网络的邻接矩阵表征。然而,这又面临着另外一个问题:现实世界中的绝大部分邻接连接是正关系。Shen和Chung施加了更大的惩罚,使他们的栈式自编码器模型更加关注重建稀缺的负边而不是丰富的正边。然而,在大多数情况下,我们并不能获取关于大量节点的社区分配信息。因此,在有符号网络中,社区发现的高效的无监督方法仍然有待探索。挑战5:社区嵌入社区嵌入是一个新兴的研究领域,这种方法将对社区而不是每个独立的节点进行嵌入。社区嵌入重点关注对社区进行感知的高阶近似而不是在节点邻居之间的1阶或2阶近似。未来,社区嵌入研究面临的挑战有:(1)高昂的计算开销;(2)节点和社区结构之间的关系评估;(3)应用深度学习模型时发生的其它问题,例如社区之间的分部漂移。机遇:设想有一种智能的方法通过自动选择针对节点和/或社区的表征模块来支撑社区嵌入。为此,Philip等人建议从以下研究目标入手:(1)如何将社区嵌入整合到一个深度学习模型中?(2)如何为了「计算地更快」这样的目标直接嵌入社区结构?(3)如何优化整合好的深度社区发现学习模型中的超参数?挑战6:网络的动态性网络的动态性主要包含两种情况:网络拓扑的变化,以及在固定拓扑上的属性的变化。拓扑的变化会引起社区的演化。例如,添加或删除一个节点会影响全局的网络连接,因此它也会改变社区结构。对于静态网络来说,深度网络社区发现学习模型在面对每个网络的快照时,需要重新训练,这里面包含一些重复的工作。对于静态网络中的时序属性,技术上的挑战在于对于流数据的深度特征提取,这些流数据的概率分布和属性随时都会变化,它们引入图数据作为深度学习模型输入的另一部分。机遇:针对时间和空间维度上的动态特性,人们还没有研发用于社区发现的深度学习模型。未来的研究方向包括:(1)发现并识别社区间的空间变化;(2)学习深度模式,它同时对时序特征和社区结构信息进行嵌入;(3)为社区发现任务研发一种统一的深度学习方法,它可以同时处理空间和时间特征。挑战7:大规模网络大规模网络指的是拥有数以百万计的节点和边、大规模结构化模式以及高度动态性的大型网络。因此,大规模网络有其固有的规模特性(例如,社交网络中与规模无关的特性,节点度的米率分布特性),这些特性会影响社区发现任务中的聚类系数。此外,通过分解后的有关高维邻接关系的近似度度量,研究人员将分布式计算应用于可扩展的学习,同时他们也面临着鲁棒的学习控制和协作计算的问题。不断变化的网络拓扑进一步增加了近似度估计的难度。总而言之,大规模网络中的社区发现设计上述所有提到的挑战,以及可扩展学习方面的挑战。机遇:大规模网络(例如,Facebook和Twitter)不仅提出了挑战,也催生了设计更先进的深度学习方法的机遇。为了充分利用大规模网络中的丰富信息,社区上的聚类任务更需要具有较低的计算复杂度并具有灵活性的新型无监督算法。深度学习中用到的关键数据降维方法(即矩阵低秩近似)并不适用于大规模网络,它在分布式计算场景下的计算开销也是很高昂的。因此,人们急需新型的深度学习框架、模型和算法。研发应用于大规模网络的深度学习方法需要通过精度和速度来评估,这种评估方式可能是最大的挑战。六、结语如今,我们生活在各种各样的网络中。发现这些网络的内在功能和特征有助于我们全面地理解周围的环境(尤其是在社交网络中)。社区还原了描述社会现象的复杂关系。传统的社区发现方法曾经依赖的是统计推断和机器学习(谱聚类)。然而,深度学习的发展极大地提升了社区发现方法的计算性能,用于社区发现的深度学习方法近五年来被广泛地研究。在这篇综述文章中,Philip等人全方位地回顾了模型和算法研发方面相应的技术趋势,并针对基于深度学习领域社区发现进展做了详细的阐述。最为重要的是,这篇综述还指出了将深度学习用于社区发现任务时存在的七个重大挑战,这在一定程度上将为下一代社区发现研究指明方向。雷锋网雷锋网(公众号:雷锋网)雷锋网

2020年05月22日 11:50

租客网:在理想的居住空间里感受每一次心动的信号

不是我们套路,是你们脑子不清楚!还大学生?你们20多年真的都白活了。”这是武汉四名女大学生租房遭遇“套路贷”后维权时,中介业务员跟她们说的话。这不仅让人深思,如今的租房中介“套路贷”后还能对租客如此口出狂言,嚣张如此,到底是什么给了这些租房中介们勇气?究其根本,还是利益熏心。长租房很流行押一付一,或押一付三。房租疯涨的今天,一个月的房租本就不是个小数目,何况还有更可怕的押一付三。对于刚入社会的大学生而言,自然是压力山大,大中介的服务费、押金又高,于是很多人也会把目光转向中小型中介。这就给了一些黑心小中介可趁之机。在签合同时,中介会着重推荐“押一付一”的交租形式。如果你心动了,那么第一步就成功了当你掏出手机准备付押金和房租的时候,业务员会称公司规定要通过平台扣款,以交押金为理由,要走身份证和银行卡。当中介回来的时候,第二步也就完成了。接下来,你的房租都会交到第三方金融服务平台,每个月交租的前几天,你都会接到第三方金融机构发来的催款通知,知道你的租期结束。这时想要退租?中介是不会同意的!中介会告诉你,提前退房就算违约,不仅押金不会退给你,还要收你房租几倍的违约金。这样的情况下。租户往往还得选择继续租住下去,万一你搬走了,贷款还跟着你,以后影响自己的征信怎么办?遇到这种情况,建议和四个武汉女大学生一样,直接选择报警来捍卫自己的权益。毕竟租金突然变成贷款,可不是件小事儿。各位大学生在租房的时候,应该擦亮眼睛研究合同,谨慎签约!那么对于大学生来说,如何去选择一个既值得信赖,又省钱的租赁网站呢?不如就来租客网吧!“真房源、、按月交租、可长租、可短租。”海量房源等你来选择,总有一款是你的菜。租客网一家集房产租赁服务、闲置物品租赁服务、专业技能外包服务和租客人生安全保障服务为一体的以数据驱动的价值链生活服务平台。租客网以互联网+为主导、以提供多元化租赁生活方式为宗旨,以房屋租赁业务为切入口,是租赁行业唯一以受众群体名称命名的门户网站,是互联网唯一受知识产权保护的租客官方平台。做租赁,我们是专业的,信赖我们是没有错的。而且在租客网,“信用免押金、免中介费”可以为租客节约租房的费用。我们的宗旨是,全力打造互联网第一诚信交易平台,租房没有套路,海量真房源,所见即所得,愿你在租客网找到最心仪的房屋。租客网平台不与任何第三方贷款金融机构合作,你交的房租不会经过第三方之手,不损害房东的利益,不榨取租客权益,让你逃离“套路贷”风波。租客网在这里等你,多来一时,便欢喜一份

2020年04月30日 10:47