[[195601]]

深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)范疇下的一個(gè)子集，其利用多種方法以實(shí)現(xiàn)人工智能研究當(dāng)中的一大核心目標(biāo)：讓計(jì)算機(jī)對(duì)我們的世界進(jìn)行充分建模，從而展現(xiàn)我們理解當(dāng)中的“智能”。

從基本概念角度出發(fā)，深度學(xué)習(xí)方法往往具備非?；A(chǔ)的共通特征。深度學(xué)習(xí)算法通過(guò)多個(gè)處理層對(duì)原始數(shù)據(jù)進(jìn)行解釋。其中每個(gè)處理層皆將前一處理層的輸出結(jié)果作為輸入結(jié)果，同時(shí)創(chuàng)建出更為抽象的表達(dá)。因此，只要將更多數(shù)據(jù)饋送至正確的算法當(dāng)中，則算法通常能夠給出更多與相關(guān)規(guī)則及特征緊密關(guān)聯(lián)的推理與情景，并據(jù)此在處理新的類(lèi)似情況時(shí)作為參考。

谷歌翻譯提供的類(lèi)似于科幻小說(shuō)般的Word Lens功能正是一套深度學(xué)習(xí)算法支持下的產(chǎn)物。而Deep Mind最近廣受關(guān)注之AlphaGo亦憑借著深度學(xué)習(xí)的強(qiáng)大能力橫掃圍棋界——不過(guò)具體來(lái)講，AlphaGo的取勝算法并不屬于純粹的神經(jīng)網(wǎng)絡(luò)，而屬于一套將深度加強(qiáng)學(xué)習(xí)與樹(shù)搜索這一經(jīng)典AI基礎(chǔ)技術(shù)相結(jié)合的產(chǎn)物。

深度學(xué)習(xí)屬于解決計(jì)算問(wèn)題的一種充分方法，主要面向各類(lèi)太過(guò)復(fù)雜而無(wú)法憑借圖像分類(lèi)或者自然語(yǔ)言處理等簡(jiǎn)單算法直接解決的任務(wù)。然而，目前深度學(xué)習(xí)的實(shí)際用途仍然非常有限。當(dāng)下利用機(jī)器學(xué)習(xí)技術(shù)的行業(yè)大多未能充分發(fā)揮深度學(xué)習(xí)以及相關(guān)方法的發(fā)展?jié)撃?，而僅僅是借用了其中的一部分最佳實(shí)踐。舉例來(lái)說(shuō)，關(guān)注近期深度學(xué)習(xí)變革動(dòng)態(tài)的朋友可以已經(jīng)聽(tīng)說(shuō)，谷歌公司前任AI負(fù)責(zé)人John Giannandrea已經(jīng)接管了該公司的搜索部門(mén)（這甚至可能徹底顛覆整個(gè)SEO領(lǐng)域）。

深度學(xué)習(xí)技術(shù)支持下的推薦系統(tǒng)——個(gè)性化的未來(lái)解決方案

可以肯定的是，深度學(xué)習(xí)亦將推動(dòng)個(gè)性化領(lǐng)域迎來(lái)下一輪重大的跨越式發(fā)展。個(gè)性化對(duì)于電子商務(wù)企業(yè)、發(fā)行商以及營(yíng)銷(xiāo)機(jī)構(gòu)而言皆已成為一大核心領(lǐng)域，因?yàn)槭聦?shí)證明其確實(shí)有能力提升銷(xiāo)售效果、增加參與度并改善整體用戶(hù)體驗(yàn)。如果說(shuō)數(shù)據(jù)是個(gè)性化的燃料，那么推薦系統(tǒng)就是其出力引擎。此類(lèi)算法的進(jìn)步對(duì)于這一領(lǐng)域以及平臺(tái)用戶(hù)的在線(xiàn)體驗(yàn)必將產(chǎn)生深遠(yuǎn)的影響。

在這里，我們將著眼于三個(gè)具體領(lǐng)域，探討深度學(xué)習(xí)如何對(duì)現(xiàn)有推薦系統(tǒng)作出補(bǔ)充及改進(jìn)。

將內(nèi)容納入推薦流程

條目到條目推薦屬于推薦系統(tǒng)中的一種標(biāo)準(zhǔn)化處理方式。這意味著當(dāng)電子商務(wù)網(wǎng)站或者發(fā)行商網(wǎng)站作出推薦時(shí)，其推薦的結(jié)果源自用戶(hù)此前曾經(jīng)查看的其它類(lèi)似條目。解決此類(lèi)需求的一種典型方法為基于元數(shù)據(jù)的業(yè)務(wù)邏輯（另一種典型數(shù)據(jù)源為用戶(hù)交互，即Amazon上提供的“買(mǎi)過(guò)此商品的用戶(hù)還買(mǎi)了……”）。然而，元數(shù)據(jù)質(zhì)量低下成為制約其實(shí)際效果的常見(jiàn)瓶頸，這主要源于元數(shù)據(jù)存在價(jià)值缺失或者缺少系統(tǒng)分配。在這種情況下，即使擁有完美的元標(biāo)簽，這樣的數(shù)據(jù)也僅能夠表達(dá)實(shí)際條目之間的間接性關(guān)聯(lián)。而在深度學(xué)習(xí)的幫助之下，我們則可將內(nèi)容（包括圖像、視頻與文本）等實(shí)際內(nèi)容屬性納入推薦流程。利用深度學(xué)習(xí)，條目到條目間的關(guān)系將匹配算法對(duì)于產(chǎn)品更為全面的理解，且更少依賴(lài)于手動(dòng)標(biāo)記以及廣泛的交互歷史記錄。

在這方面，Spotify的推薦系統(tǒng)相當(dāng)值得肯定。該公司在2014年的研究當(dāng)中將深度學(xué)習(xí)引入推薦系統(tǒng)，旨在提供更為多元的歌曲推薦，同時(shí)幫助用戶(hù)創(chuàng)造出經(jīng)過(guò)改進(jìn)的個(gè)性化體驗(yàn)。這項(xiàng)音樂(lè)流服務(wù)以往曾在其推薦系統(tǒng)中采用協(xié)同過(guò)濾方法。但Spotify公司實(shí)習(xí)員工Sander Dieleman這位博士生卻將此視為當(dāng)前功能中的最大缺陷，因?yàn)檫@種高度依賴(lài)于數(shù)據(jù)的作法將不可避免地錯(cuò)失某些人氣不高、剛剛嶄露頭角的藝術(shù)家及其不為大眾所知的歌曲。因此，Dieleman本人采用一種深度學(xué)習(xí)算法從50萬(wàn)首歌曲當(dāng)中各自挑選時(shí)長(zhǎng)30秒的摘錄，并對(duì)音樂(lè)本身進(jìn)行分析。這種連續(xù)多層學(xué)習(xí)網(wǎng)絡(luò)能夠掌握更為復(fù)雜且恒定的歌曲特征，其基本思路與圖像分類(lèi)非常相似。事實(shí)上，“立足于這套網(wǎng)絡(luò)中高于輸出層的完全連接層，經(jīng)過(guò)學(xué)習(xí)的過(guò)濾器最終能夠更具選擇性地把握音樂(lè)中的某些子類(lèi)”，包括福音音樂(lè)、中國(guó)流行音樂(lè)或者深屋音樂(lè)等。在實(shí)踐當(dāng)中，這意味著此類(lèi)系統(tǒng)能夠僅基于歌曲的相似性（這種特性對(duì)于用戶(hù)組合個(gè)性化播放列表非常重要）以有效進(jìn)行音樂(lè)推薦。盡管我們尚不清楚Spotify公司是否會(huì)將這些發(fā)現(xiàn)納入實(shí)際算法，但這項(xiàng)實(shí)驗(yàn)本身的意義仍然值得高度肯定。

解決冷啟動(dòng)難題

冷啟動(dòng)可謂推薦系統(tǒng)的天敵，其可能對(duì)用戶(hù)及條目產(chǎn)生嚴(yán)重影響。對(duì)于用戶(hù)而言，冷啟動(dòng)意味著當(dāng)前系統(tǒng)幾乎甚至完全不具備任何與客戶(hù)行為及偏好相關(guān)的信息。而條目冷啟動(dòng)則代表其缺少能夠指導(dǎo)用戶(hù)互動(dòng)的條目到條目間關(guān)聯(lián)數(shù)據(jù)（雖然我們?nèi)匀粨碛性獢?shù)據(jù)，但這并不足以提供真正的細(xì)致建議）。而利用上述基于內(nèi)容的方法，條目冷啟動(dòng)的實(shí)際效果將得到明顯改善，因?yàn)槠淠軌虮ＷC推薦系統(tǒng)較少依賴(lài)于事務(wù)及交互數(shù)據(jù)。

然而，為新用戶(hù)創(chuàng)造有意義的個(gè)性化體驗(yàn)又是另一個(gè)棘手的問(wèn)題，而且很難通過(guò)簡(jiǎn)單收集更多信息加以解決。這種狀況在電子商務(wù)網(wǎng)站或者包含廣泛產(chǎn)品組合的在線(xiàn)商店系統(tǒng)中普遍存在，客戶(hù)會(huì)隨著時(shí)間推移而隨意訪(fǎng)問(wèn)完全不同的瀏覽目標(biāo)。他們可能最初決定購(gòu)買(mǎi)微波爐，但卻在下一次訪(fǎng)問(wèn)時(shí)查找手機(jī)。在這種情況下，第一次會(huì)話(huà)收集到的數(shù)據(jù)與第二次會(huì)話(huà)幾乎完全無(wú)關(guān)。

解決用戶(hù)冷啟動(dòng)問(wèn)題的一種有趣思路在于建立基于會(huì)話(huà)或者條目到會(huì)議的推薦。簡(jiǎn)單來(lái)講，這意味著系統(tǒng)不再依賴(lài)于客戶(hù)的整體交互歷史，而是將相關(guān)數(shù)據(jù)分解成多個(gè)不同會(huì)話(huà)，同時(shí)立足于特定會(huì)話(huà)的點(diǎn)擊流為用戶(hù)建立興趣模型。通過(guò)這種方式，未來(lái)的推薦系統(tǒng)可能將不再依賴(lài)于數(shù)月甚至數(shù)年之內(nèi)收集到的、經(jīng)過(guò)精心設(shè)計(jì)的客戶(hù)資料，而完全可以在用戶(hù)進(jìn)行一段時(shí)間的網(wǎng)站操作之后為其提供合理的相關(guān)建議。

盡管這一領(lǐng)域尚未得到徹底研究，但確實(shí)有可能帶來(lái)巨大的個(gè)性化在線(xiàn)體驗(yàn)提升機(jī)遇。Gravity R&D公司的研究人員們?cè)趨⑴c歐盟資助的CrowdRec項(xiàng)目時(shí)共同撰寫(xiě)了一篇論文，其中介紹了如何利用一種卷積神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱(chēng)RNN）方法提供基于會(huì)話(huà)的建議。這是第一篇利用深度學(xué)習(xí)技術(shù)通過(guò)基于會(huì)話(huà)方式實(shí)現(xiàn)推薦功能的研究論文，而結(jié)果表明他們的方法擁有優(yōu)于當(dāng)前最新算法技術(shù)的實(shí)效。

真理四時(shí)刻

所謂真理四時(shí)刻，是指客戶(hù)在根據(jù)企業(yè)溝通與相關(guān)可用信息作出決定的四段短暫時(shí)間。這些決定雖然受到長(zhǎng)期考量、個(gè)人喜歡以及品牌忠誠(chéng)度等因素的嚴(yán)重影響，但同時(shí)也受到瞬時(shí)印象的引導(dǎo)。面對(duì)這些真理時(shí)刻，強(qiáng)大的深度學(xué)習(xí)系統(tǒng)很可能帶來(lái)足以左右人類(lèi)決策流程的可行方法——這樣的見(jiàn)解無(wú)疑相當(dāng)新穎。

舉例來(lái)說(shuō)，我們都知道漂亮的產(chǎn)品圖片能夠促進(jìn)銷(xiāo)售（整個(gè)行業(yè)都在想辦法為出租房屋或者食物拍攝美觀(guān)的圖像）。但在另一方面，我們也期待著能夠利用基于深度學(xué)習(xí)的圖像分析方法來(lái)評(píng)估產(chǎn)品圖像中的視覺(jué)特性到底如何對(duì)銷(xiāo)售活動(dòng)產(chǎn)生顯著的積極影響。

誠(chéng)然，本篇文章所涉及的內(nèi)容并不詳盡。個(gè)性化無(wú)疑是當(dāng)今互聯(lián)網(wǎng)行業(yè)最為迫切的需求之一，而深度學(xué)習(xí)技術(shù)幾乎必然在這一領(lǐng)域擁有著巨大的潛能。因此，希望保持自身競(jìng)爭(zhēng)優(yōu)勢(shì)的企業(yè)自然也有必要時(shí)刻關(guān)注這項(xiàng)技術(shù)的發(fā)展與動(dòng)向。

原文鏈接：

http://dataconomy.com/2017/06/deep-learning-personalizing-internet/