推薦服務的品質有多高，取決於所推薦的產品是否符合使用者的喜好與需求。Google 運用深度學習技術不斷精進推薦系統，但要做到比使用者更了解使用者自己的「個人化推薦」程度，並不是件容易的事，原因是使用者在不同時間、不同情境下，對內容的偏好都會有所不同。
Google 產品推薦系統（Recommendation Systems）幕後推手、Google AI 首席研究員紀懷新提到，Google Play 目前有超過 100 萬個應用程式 app，過去三十天全球有超過 10 億人使用，而 2017 年下載量則高達 820 億次之多，因此需要透過深度學習技術處理龐大又複雜的資料量，解決推薦系統問題。
推薦系統面臨「情境」挑戰
深度學習技術就是為推薦系統建立函數（function）的一大關鍵。紀懷新表示，傳統推薦系統的矩陣（matrix）是二維，輸入與輸出過程是以使用者為輸入資料，進而產生推薦結果，將矩陣中的使用者跟 app 項目內容相配對，但使用者不一定會對系統推薦的 app 提出有效回饋，因此難有足夠依據推薦合適的 app 給使用者。
為更精進個人化推薦服務，Google 近年針對推薦系統進行更深層的研究，嘗試將函數擴大、加入另一個輸入元素「情境」（context）成為三維矩陣。紀懷新指出，使用者在不同時間與不同情境下，對內容的偏好會不斷改變，因此「情境」和「時間」對個人化推薦系統來說尤其重要。好比說使用者白天常用新聞資訊類 app，晚上常玩手遊放鬆；看片追劇可能喜歡用平板，手機則用作社群間聯絡，每個使用者在不同裝置下載的 app 也不盡相同。
正因為使用者偏好、情境因素隨時都在變化，使用者評分回饋的資料也非常有限，加上項目內容量龐大又不斷改變，還有標籤雜亂稀少等問題，要在大量使用者與內容中提供即時且有用的推薦，對實現情境式個人化推薦服務來說極具挑戰，也是建構函數時的一大難題。因此 Google 透過深度學習技術，將使用者、情境和項目內容進行配對，達成情境式個人化推薦體驗。
深度學習是提升推薦品質的解方
Google 使用者對個人化和情境式服務的期望日益提高，發展情境式個人化推薦服務已是必然趨勢。紀懷新認為推薦系統要建立在三大原則上，包括個人化和多元化推薦、藉由機器學習不斷精進所有產品介面，以及要為所有人提供適當的推薦等。
▲ Google AI 首席研究員紀懷新
至於在提升推薦品質方面，則必須平衡不同使用頻率設計推薦模型。這是因為系統有高達 80％ 使用數據來自 20％ 重度使用者，該現象即冪次法則（Power Law），為避免重度使用者意見在系統中被放大考量，必須針對不同使用頻率持續調整模型設計，公平考量所有使用者意見以產生推薦結果。而 Google 透過這樣的方法，模擬使用者如何跟應用程式互動，結果出現成效，Google Play 上的 app 安裝率因而成長了 3.3 ％。
除此之外，紀懷新還提到研究另一重點方向，也就是推薦模型中除了考慮使用者、情境和項目內容等三者關聯，還要加入「因果關係」考量，進一步提升使用者推薦體驗。他認為光是計算分析相互關係（correlation）是並不足夠，還需要研究其中的因果關係，如果能夠掌握就能做出更好的推薦系統。
Google 在過去兩年不斷透過深度學習提升推薦品質，共改善 66 項重要產品及服務，包括 Google Play、Ads、搜尋、YouTube 等。紀懷新認為 AI 發展是「真的革命在發生」，萬一錯過就會像台灣過去沒能跟行動網路時代接上軌般，再次錯失良機。
（首圖來源：Shutterstock）
延伸閱讀：
- 談 AI 時代台灣人才機會，Google 簡立峰：整合硬軟體實力發展「On Device AI」
- DeepMind 讓 AI 學會像動物一樣導航，開啟 AI 研究新目標：協助探索大腦功能
- 以深度學習判讀腫瘤定位、糖尿病視網膜病變，Google：AI 與醫生合作可達理想成效