瑞萊智慧劉強(qiáng)博士：深度學(xué)習(xí)時(shí)代的個(gè)性化推薦

人工智能論壇如今浩如煙海，有硬貨、有干貨的卻百里挑一。由中國(guó)科學(xué)院大學(xué)主辦，百度公司提供支持，讀芯術(shù)作為指定合作自媒體的“AI未來(lái)說(shuō)·青年學(xué)術(shù)論壇”第一期“數(shù)據(jù)挖掘”專場(chǎng)已于2019年1月19日下午在中科院學(xué)術(shù)會(huì)堂舉行。來(lái)自中科院的劉強(qiáng)博士，為大家?guī)?lái)報(bào)告《深度學(xué)習(xí)時(shí)代的個(gè)性化推薦》。

劉強(qiáng)博士全場(chǎng)報(bào)告視頻

劉強(qiáng)，瑞萊智慧聯(lián)合創(chuàng)始人&研發(fā)總監(jiān)，2018年博士畢業(yè)于中國(guó)科學(xué)院自動(dòng)化研究所，微軟學(xué)者獎(jiǎng)得主，在AAAI、IJCAL、SIGIR、WWW、CIKM、ICDM、IEEE TKDE、ACM TIST等頂級(jí)會(huì)議與期刊發(fā)表多篇論文。

報(bào)告內(nèi)容：隨著信息時(shí)代的發(fā)展，人們往往被信息過(guò)載的問(wèn)題所困擾，難以找到自己喜歡或需要的信息，個(gè)性化推薦的重要性越發(fā)凸顯。不同于圖像、語(yǔ)音等領(lǐng)域的應(yīng)用，深度學(xué)習(xí)在推薦領(lǐng)域的應(yīng)用面臨著不一樣的問(wèn)題。基于深度學(xué)習(xí)的個(gè)性化推薦技術(shù)，核心在于特征的非線性交互表達(dá)學(xué)習(xí)。本講將著重介紹個(gè)性化推薦技術(shù)不同層面的特征交互學(xué)習(xí)，以及現(xiàn)階段所面臨的問(wèn)題和發(fā)展方向。

深度學(xué)習(xí)時(shí)代的個(gè)性化推薦

劉強(qiáng)博士講的內(nèi)容主要是深度學(xué)習(xí)和大數(shù)據(jù)技術(shù)背景下的個(gè)性化推薦技術(shù)，劉強(qiáng)博士的報(bào)告主要圍繞以下幾個(gè)方面進(jìn)行。

劉強(qiáng)博士首先講了什么是個(gè)性化推薦？即根據(jù)一個(gè)人過(guò)往點(diǎn)擊過(guò)的、購(gòu)買過(guò)、個(gè)人的喜好等信息來(lái)預(yù)測(cè)未來(lái)可能需要的東西，發(fā)掘潛在的喜好。以向某用戶進(jìn)行電影推薦為例，可以根據(jù)該用戶以前看過(guò)哪些電影和該用戶潛在的喜好的電影類型來(lái)進(jìn)行電影推薦。

接著講到了為什么要做個(gè)性化推薦？在信息爆炸和互聯(lián)網(wǎng)高速發(fā)展的時(shí)代，有非常多的信息充斥著我們的生活，比如，購(gòu)物、新聞、視頻、社交等信息，量也是非常大的。我們面臨著很嚴(yán)重的信息過(guò)載問(wèn)題，為了從這些紛紜復(fù)雜的信息當(dāng)中找到我們需要的、想要的、喜歡的信息，個(gè)性化推薦技術(shù)就應(yīng)運(yùn)而生，而且變得越來(lái)越重要。

然后講到了個(gè)性化推薦的發(fā)展的歷程。個(gè)性化推薦技術(shù)經(jīng)歷了四個(gè)階段，分別為2000年左右根據(jù)熱度、排行、分類這些簡(jiǎn)單規(guī)則的規(guī)則推薦階段、2006年左右的基于姓名和矩陣分解的協(xié)同過(guò)濾模型的階段、2010年左右的基于人工特征的廣義線性模型階段和2015年左右的基于深度學(xué)習(xí)算法和大數(shù)據(jù)的深度學(xué)習(xí)模型階段。

劉強(qiáng)博士重點(diǎn)分享了深度模型階段的技術(shù)，如數(shù)據(jù)挖掘中用到的數(shù)據(jù)、深度推薦模型。數(shù)據(jù)挖掘中用到的數(shù)據(jù)，即用戶歷史數(shù)據(jù)，可以完全用人類的知識(shí)構(gòu)建的語(yǔ)義信息。深度推薦模型主要是特征的非線性表達(dá)學(xué)習(xí)，包括三個(gè)特征層面的組合，異質(zhì)特征交互、同質(zhì)特征交互、內(nèi)容特征交互。重點(diǎn)介紹了同質(zhì)交互模型和異質(zhì)交互模型。

最后，劉強(qiáng)博士提到了現(xiàn)在的模型中存在的問(wèn)題，比如，難解釋或者不可解釋，無(wú)法進(jìn)行準(zhǔn)確的描述，用戶數(shù)據(jù)很復(fù)雜，異質(zhì)數(shù)據(jù)的有效利用和數(shù)據(jù)量比較小等問(wèn)題，并給出了相應(yīng)的意見(jiàn)和建議。比如可以做很多半監(jiān)督或者監(jiān)督的工作，提升模型的可靠性。再就是知識(shí)的嵌入，把模型與知識(shí)圖譜相結(jié)合，可以更好地提高模型的效率和穩(wěn)定性。