Microsoft
活动+

Google Play AI推荐系统近乎神奇 背后推手是台湾囝仔

  • 廖家宜
Google AI首席研究员纪怀新分享其研究团队如何利用深度学习优化推荐系统。廖家宜

Google Play是Android用户下载应用程序(App)的重要市集,目前全球Android的活跃装置数已突破20亿,而为了带给这20多亿用户最佳化体验,Google在背后下了一番苦工。

近日驻Google美国总部的AI首席科学家纪怀新受邀回台,除参与Google「AI创新研究营」启动计划之外,也分享在他的团队领导下,Google如何运用机器学习技术打造更精准的推荐系统。

据统计,目前在Google Play上已有超过100万个App,在去年更有高达820亿次下载量,且这些数据未来只会持续增加不会减少,面对如此惊人的App数量与下载量,要处理与运算这些大数据并不简单,这也是为什么Google必须靠机器学习来优化推荐服务,打造既多元化却又能符合个人化需求的推荐内容。

要提高Google Play的下载量,就必须要先知道使用者的喜好是什么。但是不同身份、年龄的兴趣大不相同,推荐系统不能一套做到底,而这就是个人化推荐系统的功用。传统的推荐方式比较简单,就是将使用者与项目配对,透过使用者对项目进行评分,依据喜欢到不喜欢的程度来推测使用者的偏好。

打造个人化的推荐并不简单,但加入情境式的个人化推荐又更难,因为不同情境下会需要不同的内容。举例来说,不同的使用载具之间会有所差异,例如平板计算机的屏幕较大适合追剧,因此下载的App可能会以娱乐影音为主;智能型手机是生活工具,邮件、行事历、记事本等工具型的App下载频率就比较高。

而不同时段下载内容也有差别,像白天使用频率最多的可能是新闻类App,而晚上上班族想要放松就会使用游戏类的App。简言之,「情境」是现阶段Google优化推荐系统很重要的考量因素。

纪怀新表示,情境式的个人化推荐必须考虑三个面向的集成,从使用者角度来看,使用者的偏好会随时改变,且使用者不见得愿意对项目评分,使有效的回馈内容取得不易;若从情境角度来看,则是随时保持动态且不断在改变,例如宝可梦风行一阵子后的热度开始下滑;而从项目角度来看,则有大量且不断在改变的内容。

在如此庞大且无法预知的使用者行为和内容中,要如何才能更实时的提供有用的推荐?纪怀新分享研究团队以深度学习为技术核心,改善传统的推荐方式,在新的推荐方式中将使用者同时集成情境及项目进行配对,透过机器学习模型,Google Play的整体App安装率提升了3.3%。

此外,纪怀新也向外界分享研究团队如何利用深度学习优化推荐系统。其中一个很重要的成果便是在推荐模型中加入「因果关系」的考量,因为以推荐系统的角度来讲,最重要的是必须去理解事件的触发点来自什么原因。而光是对其抽丝剥茧,纪怀新与团队前后就花了4~5年的时间进行研究。

为了给用户更好的推荐质量,Google的推荐系统着重几项原则,第一是推荐内容不但要多元化也要符合个人化的需求,第二是持续透过机器学习的协助优化所有产品的接口,第三则是Google的模型要能为所有人而非特定用户提供合适的推荐。

纪怀新是现任Google AI首席研究员,事实上,纪怀新是土生土长的淡水人,正是台湾人才跃上国际舞台的最佳典范。目前纪怀新在Google内部主要带领团队研究推荐系统,特别是以深度学习做为技术核心,除了为Google Play推荐App外,也为Google旗下的产品与服务带来不少贡献。

据悉,该研究团队运用深度学习优化推荐系统在过去2年内,已为Google产品及服务包括Google Play、广告、查找及Youtube等带来66项重要改善。

更多关键字报导: Google 深度学习 人工智能(AI)