Site icon About 24/7

使用者行為偏好不斷改變,Google 如何以深度學習提高推薦品質?

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:

Exit mobile version