推荐服务的品质有多高，取决于所推荐的产品是否符合使用者的喜好与需求。Google 运用深度学习技术不断精进推荐系统，但要做到比使用者更了解使用者自己的“个人化推荐”程度，并不是件容易的事，原因是使用者在不同时间、不同情境下，对内容的偏好都会有所不同。
Google 产品推荐系统（Recommendation Systems）幕后推手、Google AI 首席研究员纪怀新提到，Google Play 目前有超过 100 万个应用程序 app，过去三十天全球有超过 10 亿人使用，而 2017 年下载量则高达 820 亿次之多，因此需要透过深度学习技术处理庞大又复杂的资料量，解决推荐系统问题。
推荐系统面临“情境”挑战
深度学习技术就是为推荐系统建立函数（function）的一大关键。纪怀新表示，传统推荐系统的矩阵（matrix）是二维，输入与输出过程是以使用者为输入资料，进而产生推荐结果，将矩阵中的使用者跟 app 项目内容相配对，但使用者不一定会对系统推荐的 app 提出有效回馈，因此难有足够依据推荐合适的 app 给使用者。
为更精进个人化推荐服务，Google 近年针对推荐系统进行更深层的研究，尝试将函数扩大、加入另一个输入元素“情境”（context）成为三维矩阵。纪怀新指出，使用者在不同时间与不同情境下，对内容的偏好会不断改变，因此“情境”和“时间”对个人化推荐系统来说尤其重要。好比说使用者白天常用新闻资讯类 app，晚上常玩手游放松；看片追剧可能喜欢用平板，手机则用作社群间联络，每个使用者在不同装置下载的 app 也不尽相同。
正因为使用者偏好、情境因素随时都在变化，使用者评分回馈的资料也非常有限，加上项目内容量庞大又不断改变，还有标签杂乱稀少等问题，要在大量使用者与内容中提供即时且有用的推荐，对实现情境式个人化推荐服务来说极具挑战，也是建构函数时的一大难题。因此 Google 透过深度学习技术，将使用者、情境和项目内容进行配对，达成情境式个人化推荐体验。
深度学习是提升推荐品质的解方
Google 使用者对个人化和情境式服务的期望日益提高，发展情境式个人化推荐服务已是必然趋势。纪怀新认为推荐系统要建立在三大原则上，包括个人化和多元化推荐、借由机器学习不断精进所有产品界面，以及要为所有人提供适当的推荐等。
▲ Google AI 首席研究员纪怀新
至于在提升推荐品质方面，则必须平衡不同使用频率设计推荐模型。这是因为系统有高达 80％ 使用数据来自 20％ 重度使用者，该现象即幂次法则（Power Law），为避免重度使用者意见在系统中被放大考量，必须针对不同使用频率持续调整模型设计，公平考量所有使用者意见以产生推荐结果。而 Google 透过这样的方法，模拟使用者如何跟应用程序互动，结果出现成效，Google Play 上的 app 安装率因而成长了 3.3 ％。
除此之外，纪怀新还提到研究另一重点方向，也就是推荐模型中除了考虑使用者、情境和项目内容等三者关联，还要加入“因果关系”考量，进一步提升使用者推荐体验。他认为光是计算分析相互关系（correlation）是并不足够，还需要研究其中的因果关系，如果能够掌握就能做出更好的推荐系统。
Google 在过去两年不断透过深度学习提升推荐品质，共改善 66 项重要产品及服务，包括 Google Play、Ads、搜寻、YouTube 等。纪怀新认为 AI 发展是“真的革命在发生”，万一错过就会像台湾过去没能跟移动网络时代接上轨般，再次错失良机。
（首图来源：Shutterstock）
延伸阅读：
- 谈 AI 时代台湾人才机会，Google 简立峰：整合硬软件实力发展“On Device AI”
- DeepMind 让 AI 学会像动物一样导航，开启 AI 研究新目标：协助探索大脑功能
- 以深度学习判读肿瘤定位、糖尿病视网膜病变，Google：AI 与医生合作可达理想成效
