雅虎的机器学习工程师Stacey Svetlichnaya就在解决这些问题。当用户撰写或回复消息时，自动填充建议中应显示哪些表情呢？理想情况下，用户希望可以给出前五个表情符号来选择。

　　使用表情符号是高度动态的。一些用于替换图像，还有的用于表达情感……

　　另一个挑战是emoji在不同平台的视觉风格迥然不同，容易造成误解。

　　不同平台的不同emoji表情

　　Svetlichnaya和雅虎视觉与机器学习团队（Yahoo Vision & Machine Learning Team）测试了三种不同的方法：

　　FastText算法，一种快速线性分类器；

　　LSTM算法，一种循环神经网络架构；

　　WordCNN算法，一种平衡性能与复杂性的卷积网络。

　　当然，三者之中，FastText不出意外地成为了速度的胜利者，但人们似乎更喜欢LSTM的结果。

　　雅虎不是唯一将机器学习应用于emoji的公司。2015年，InstagramEngineering刊发了一套由工程师Thomas Dimson撰写的系列——Emojineering：机器学习表情符号趋势。

　　系列文章地址：

　　https://engineering.instagram.com/emojineering-part-1-machine-learning-for-emoji-trendsmachine-learning-for-emoji-trends-7f5f9cb979ad#.wppfkra4e

　　StitchFix更快地找到最适合你的时尚

　　时尚是件很难的事，但StitchFix使造型这件事变得很轻松。这家个性化造型创业公司使用户可以个性化风格，并且每月将精选的服装和配件送上家门。

　　定义风格可能是模糊的。毕竟，用户怎么能知道一件衬衫是否复古，或者一件衣服是否“性感”但又不显得“太放荡”。

　　Christopher Moody

　　Moody是StitchFix的数据科学家，拥有统计学、天体物理学和计算机学的多学科学术背景。事实证明，“书呆子”的学术技能在时尚界是大有可为的。

　　许多深度学习模型是“黑匣子”，用户很难理解为什么算法得出特定的结论。Moody的研究集中于提高模型可解释性，使人类专家能够对算法的相对性能提供反馈。

　　一种方法是使用t-SNE（t分布的随机相邻嵌入），一种有助于降低可视化相似对象的维数的方法。许多深度学习模型使用人类不可能概念化的高维数据，维数减少方法将复杂的数据变成更易于理解的二维或三维散点图。

　　Moody也是k-SVD方法的狂热者。 k-SVD是k均值聚类方法的泛化。在高级非技术术语中，聚类分析指将具有类似属性的对象分组在一起。一旦已经识别出不同的集群，人类专家可以检查组合，以查看它们是否表现出任何统一的特征，并添加适当的标签，例如“背心”。