■文/曹 健

智能推薦系統(tǒng)有望成為你的朋友，甚至導(dǎo)師。

人工智能的應(yīng)用已經(jīng)融入了我們的日常生活，智能推薦就是我們?nèi)粘Ｉ钪凶罱?jīng)常遇到的人工智能應(yīng)用之一。隨著在線服務(wù)的流行，吃穿住行等各種服務(wù)中推薦都如影相隨。不僅如此，推薦也在金融投資、學(xué)術(shù)研究、個(gè)性化醫(yī)療等場合發(fā)揮著越來越重要的作用。因此，不少學(xué)者指出，我們從“信息時(shí)代”邁入了“推薦時(shí)代”。

將計(jì)算智能引入決策過程

從決策的角度看，智能推薦其實(shí)是計(jì)算智能和人類智能融合到一定階段的產(chǎn)物。決策是依據(jù)需求和目標(biāo)，在各種選擇中做出決定的過程。需求的復(fù)雜性、選擇的多樣性使得決策成為一個(gè)高度復(fù)雜的過程。隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算智能被不斷引入決策過程以提升決策的效果，加快決策的速度并減輕決策的負(fù)荷。早年的決策支持系統(tǒng)中包含了通過對問題進(jìn)行模型化，提供各種算法進(jìn)行求解的模型庫和方法庫，其假設(shè)是需求、各種解是可以建模的。然而，現(xiàn)實(shí)中大多數(shù)問題是難以建模的，特別是人類的需求。因此，各種檢索工具包括搜索引擎依據(jù)用戶給出的查詢條件返回滿足條件的結(jié)果，用戶自己再在結(jié)果中進(jìn)行判斷和選擇。隨著用戶交互數(shù)據(jù)的積累，計(jì)算機(jī)能夠建立和推測用戶的需求模型以及各種解的模型，從而主動(dòng)篩選出少量的最佳答案，這就是智能推薦的模式。

推薦系統(tǒng)經(jīng)過多年的發(fā)展已經(jīng)形成了不同的方法。最簡單的推薦方法為基于人口統(tǒng)計(jì)學(xué)的推薦，它只是根據(jù)用戶的類別，將該類別用戶關(guān)聯(lián)程度最大的物品（在推薦系統(tǒng)中，物品是廣義的概念，它指代用戶待選擇的對象）篩選出來。顯然，這種方法還談不上太多的智能性。第二種方法是基于內(nèi)容的推薦，在這種情況下，用戶的屬性和物品的屬性都能夠獲得，因此可以在歷史數(shù)據(jù)中知道與當(dāng)前用戶屬性相似的用戶喜歡的物品，也可以知道與用戶已經(jīng)選擇的物品屬性相似的物品。在基于內(nèi)容的推薦中，核心是基于屬性進(jìn)行“相似性”的計(jì)算。第三種方法是基于協(xié)同過濾的推薦，它針對某一用戶，基于其購買歷史找到具有相似購買歷史的用戶，或者針對某一物品找到具有相似購買用戶集合的其他物品。它的基本假設(shè)是，具有相似購買歷史的用戶可能有相同或者相似的口味和偏好。顯然，這三類方法不是對立的，它們具有互補(bǔ)性，在實(shí)際應(yīng)用中通常混合使用各種算法來獲得最佳效果。本質(zhì)上，推薦是一個(gè)預(yù)測用戶和物品之間連接強(qiáng)度的問題。因此，近年來，各種機(jī)器學(xué)習(xí)算法包括深度學(xué)習(xí)的算法被應(yīng)用到了智能推薦系統(tǒng)的構(gòu)造中。

比你更懂你的智能推薦系統(tǒng)

人類的需求是復(fù)雜的。許多時(shí)候，人類自身也并不一定清楚自己的需求。最初對推薦系統(tǒng)效果的評價(jià)主要是看算法能否較好地?cái)M合用戶的選擇行為，因此，在設(shè)計(jì)算法時(shí)，用一部分歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練，而用另一部分歷史數(shù)據(jù)進(jìn)行驗(yàn)證。顯然，這一層次的智能推薦系統(tǒng)的目標(biāo)是“在你所知道的物品中推薦你所需要的”。

人類具有主觀能動(dòng)性，有通過學(xué)習(xí)不斷擴(kuò)大認(rèn)知范圍的動(dòng)機(jī)。然而，由于時(shí)間、精力等限制，人們往往傾向于在所知道的東西中進(jìn)行選擇，這就不可避免地造成很多選擇機(jī)會(huì)的喪失。近年來，推薦系統(tǒng)的性能指標(biāo)中引入了一個(gè)概念叫“驚喜度”。“驚喜度”意味著給出的某一個(gè)推薦物品，用戶以前是不知道的，它給用戶帶來了意料之外的樂趣。事實(shí)上，推薦技術(shù)中協(xié)同過濾等技術(shù)的引入在一定程度上可以帶來“驚喜度”，而針對“驚喜度”這一指標(biāo)進(jìn)行特別的優(yōu)化可以帶來更好的效果。這一層次的智能推薦系統(tǒng)的目標(biāo)可以稱為“推薦你所需要的”。

讓用戶滿意是智能推薦的目標(biāo)，但“是否滿意”這一評價(jià)指標(biāo)具有復(fù)雜性。人類的一個(gè)智慧是為了長期目標(biāo)，有時(shí)候我們愿意犧牲短期目標(biāo)。因此，短期滿意度和長期滿意度是需要平衡的。例如，你喜歡吃某一種腌制食品，常規(guī)的推薦系統(tǒng)自然會(huì)推薦類似的腌制食品，但長期吃腌制食品可能對健康帶來損害。因此，智能推薦系統(tǒng)從健康角度出發(fā)減少對腌制食品的推薦，即使從短期來看會(huì)影響你對系統(tǒng)的評價(jià)。這一層次的智能推薦系統(tǒng)的目標(biāo)可以稱為“讓你成為更好的自己”。

為了實(shí)現(xiàn)智能推薦，目前業(yè)界已經(jīng)提出了多種不同的推薦模式。

（1）跨領(lǐng)域推薦：在現(xiàn)實(shí)世界中，每個(gè)用戶通常在某些領(lǐng)域（如購買書籍）有足夠多的歷史數(shù)據(jù)，而在其他一些領(lǐng)域（如購車）缺乏數(shù)據(jù)。近年來，跨領(lǐng)域推薦成為推薦系統(tǒng)中的一個(gè)熱點(diǎn)，以利用用戶在經(jīng)驗(yàn)豐富的領(lǐng)域中的反饋數(shù)據(jù)，來幫助推測用戶在經(jīng)驗(yàn)缺乏的領(lǐng)域上的偏好。

（2）上下文感知推薦：人們有些選擇和時(shí)間、地點(diǎn)、天氣等上下文密切有關(guān)。所謂上下文，指的是一切影響人們選擇的因素。通過對上下文信息的采集和建模，可以實(shí)現(xiàn)更為準(zhǔn)確的推薦，也可以實(shí)現(xiàn)實(shí)時(shí)推薦。

（3）社會(huì)化推薦：普通的推薦系統(tǒng)依據(jù)的是相似用戶的信息。在現(xiàn)實(shí)生活中，受社會(huì)因素的影響，我們與朋友、所在的群體往往有共同的偏好。因此，社會(huì)化推薦中引入朋友和群體的信息來提高推薦的效果。同時(shí)，在朋友和群體中，往往某些人比一般人更具代表性（稱為專家），他們的意見在算法中會(huì)給以更大的權(quán)重。

（4）終身推薦：人是不斷成長的，在人生的不同階段有著不同的需求。因此，終身推薦的目標(biāo)是伴隨你的成長，預(yù)測你下一步的需求，并提供推薦信息。

亦師亦友的智能推薦系統(tǒng)

隨著我們的數(shù)據(jù)被更為全面地采集以及人工智能水平的提高，智能推薦的水平也在不斷提高，它將滲透到我們生活的每一個(gè)方面。它不僅建議我們的衣食住行，而且建議我們應(yīng)該去交什么樣的朋友，應(yīng)該約會(huì)什么樣的對象，告訴我們碰到問題去找哪位專家，如何調(diào)整我們的情緒乃至如何選擇自己的人生道路。

智能推薦系統(tǒng)不斷與我們進(jìn)行交互，從我們身上不斷學(xué)習(xí)，給出建議，并觀察我們對建議的反饋從而進(jìn)一步更新模型。智能推薦系統(tǒng)無疑像一位親密無間的朋友。

另一方面，智能推薦系統(tǒng)不僅學(xué)習(xí)用戶當(dāng)前的生活習(xí)慣，也從其他用戶乃至專家身上學(xué)習(xí)，因此可以給予更為智慧的引導(dǎo)。它擴(kuò)大了我們的眼界和認(rèn)知范圍，引導(dǎo)我們成為更好的自己。從這個(gè)意義上講，智能推薦系統(tǒng)將成為你的導(dǎo)師，甚至你的指揮者。如果你信任智能推薦系統(tǒng)，它甚至可以替你進(jìn)行決策并直接采取行動(dòng)：當(dāng)你回到家，你的情緒不佳，推薦系統(tǒng)將為你播放振奮人心的歌曲；當(dāng)你需要旅游，推薦系統(tǒng)直接為你訂好賓館和機(jī)票。然而，這種導(dǎo)師式的智能推薦系統(tǒng)是你所需要的嗎？它會(huì)不會(huì)形成對我們生活的干擾乃至粗暴的干涉？人類的自主性又將置于何處？

不管如何，智能推薦系統(tǒng)無疑已經(jīng)進(jìn)入并影響了我們的生活，而更好的智能推薦系統(tǒng)需要我們共同進(jìn)行探索。