精品国产亚洲一区二区三区|亚洲国产精彩中文乱码AV|久久久久亚洲AV综合波多野结衣|漂亮少妇各种调教玩弄在线

<blockquote id="ixlwe"><option id="ixlwe"></option></blockquote>
  • <span id="ixlwe"></span>

  • <abbr id="ixlwe"></abbr>

    和數(shù)據(jù)濫用說再見,用少樣本學(xué)習(xí)拯救被群嘲的推薦系統(tǒng)

    原標(biāo)題:和數(shù)據(jù)濫用說再見,用少樣本學(xué)習(xí)拯救被群嘲的推薦系統(tǒng)

    推薦系統(tǒng)想必大家都不陌生,一個推薦系統(tǒng)有多“聰明”,將在很大程度上決定了用戶是留下還是跳出,甚至可能影響一款產(chǎn)品的生命周期和商業(yè)價值。

    在推薦系統(tǒng)誕生的三十多年間,不同平臺衍生出了各有特色的機(jī)制和算法,冷啟動卻是伴隨其始終的話題。

    所謂冷啟動,就是在推薦系統(tǒng)初期,沒有任何用戶與平臺信息的交集信息和行為軌跡的情況下,無法通過用戶偏好等方式進(jìn)行推薦。這時,推薦系統(tǒng)就處于冷啟動狀態(tài)。

    簡單來說,就是一個新顧客來到饅頭鋪,第一次買饅頭、也沒有任何動作表情可供揣測,如何讓他第一眼就看到自己想吃的饅頭。

    今天我們就用一篇文章,看看AI在推薦系統(tǒng)的冷啟動上,有哪些新突破。

    流量紅利耗盡后,互聯(lián)網(wǎng)公司還能向誰要增長?

    后面我們會深入探討一些關(guān)于推薦算法及冷啟動的技術(shù)概念,但首先,我們需要闡述一下,冷啟動到底有何價值?

    先說結(jié)論:冷啟動可以讓推薦系統(tǒng)用最快的效率黏住新用戶。

    2017年以來,所有中國互聯(lián)網(wǎng)公司都在流量紅利枯竭的深淵中掙扎。智能設(shè)備的用戶數(shù)量不再自發(fā)性增長,用戶使用時長也來到了瓶頸期,此時想要繼續(xù)擴(kuò)大規(guī)模的互聯(lián)網(wǎng)公司,路徑無非兩個:

    一是去海外市場攫取新用戶,二是在存量市場中撬走新用戶。

    無論哪一種,都面臨一個難題:如何第一時間吸引住越來越缺乏耐心的用戶?

    例如,某新聞資訊APP好不容易吸引了一個新用戶下載,如果他在首頁上翻了二十分鐘也看不到自己想看的內(nèi)容,或許就不會再浪費(fèi)時間;

    同樣,如果一個大眾社交平臺在不知道用戶特征的時候,推薦的賬號都與他心目中的理想型八竿子打不著,自然也難逃涼涼的命運(yùn)。

    在這些例子中,推薦系統(tǒng)與新用戶之間難免出現(xiàn)信息與預(yù)期的不兼容,往往需要用戶進(jìn)行一些顯著的操作才能提高匹配的精準(zhǔn)度,而冷啟動恰恰是推動用戶與平臺產(chǎn)生交互的關(guān)鍵所在。

    精準(zhǔn)的幻象:目前的冷啟動存在哪些問題?

    冷啟動要與潛在用戶有效契合,問卷調(diào)查和興趣選擇,是最常見的一種。

    諸如豆瓣、微博、喜馬拉雅等內(nèi)容分發(fā)平臺,在用戶第一次打開APP,都會強(qiáng)制注冊并采取一定的獎勵機(jī)制,引導(dǎo)用戶留下個人資料和感興趣的話題,主動推薦關(guān)注相關(guān)熱門賬號,以盡可能保證用戶在正式體驗過程中,能刷到自己喜歡的話題。

    這種主動引導(dǎo)用戶留下行為軌跡的方式,可以快速積累起第一批用戶數(shù)據(jù),做一些顆粒度比較大的推薦。

    如果用戶很懶,或者不愿意讓系統(tǒng)知道自己的個人信息,推薦系統(tǒng)還可以使用熱度模型,基于統(tǒng)計分析推薦一些大部分人都會感興趣的熱點(diǎn)信息。雖然很容易讓平臺調(diào)性顯得有點(diǎn)low,但從概率學(xué)角度看,說不定就正好撞到用戶心口上了呢。

    比如一直強(qiáng)調(diào)算法推薦的今日頭條,在冷啟動狀態(tài)就采用了這種做法,向新用戶推薦的大多是“新娘給伴娘下藥”、“孿生姐妹共侍一夫”這樣low得不要不要的內(nèi)容,還是有一定效果的。

    如果以上還不夠,那么也可以采取更加激進(jìn)一點(diǎn)的方式。比如基于大數(shù)據(jù)的協(xié)同過濾,可以根據(jù)關(guān)聯(lián)行為或關(guān)聯(lián)用戶的相似性來進(jìn)行推薦。

    像是采集用戶的地理位置信息,旅游商務(wù)、本地O2O等應(yīng)用可以更有針對性地進(jìn)行推薦;或者調(diào)取手機(jī)中關(guān)聯(lián)APP的用戶行為數(shù)據(jù)進(jìn)行預(yù)分析。

    今日頭條就曾引導(dǎo)用戶使用微博登錄,然后爬取用戶在微博上的一些社交數(shù)據(jù),比如動態(tài)、圖片、文章、贊過的人等等。依據(jù)這些信息,可以判斷出用戶最近喜歡哪個明星,并為其推送相關(guān)資訊。

    反正大數(shù)據(jù)時代,“凡有接觸,必留痕跡”,總有一些隱藏的信息能夠捕捉到用戶內(nèi)心的吉光片羽。

    說了這么多,我們來歸納一下傳統(tǒng)意義上冷啟動的內(nèi)在邏輯——盡可能多地掌握用戶信息的獲取維度。

    這個過程同時也向我們揭示了一種推薦系統(tǒng)的集體困境,那就是,如果企業(yè)無限度地擴(kuò)展獲取用戶信息的渠道,必然會遭遇隱私和法律之墻;而挖掘已有的用戶信息,數(shù)據(jù)量往往又捉襟見肘。

    那么,情況有可能發(fā)生變化嗎?少樣本學(xué)習(xí)(fewshot learning)正在嘗試解決這一問題。

    少樣本學(xué)習(xí):改變的不只一點(diǎn)點(diǎn)

    不難發(fā)現(xiàn),推薦系統(tǒng)冷啟動的眾多通用方法,都需要越多越好的標(biāo)注數(shù)據(jù)才能有效發(fā)揮其作用。

    但現(xiàn)實是,冷用戶往往不會提供那么多的標(biāo)注數(shù)據(jù)。在小數(shù)據(jù)的環(huán)境下,推薦算法還能發(fā)揮作用嗎?

    這里就涉及到一個重要的“多臂老虎機(jī)問題(Multi-armed bandit problem, MAB)”。

    當(dāng)你走進(jìn)一家賭場,面對20個一模一樣的老虎機(jī),在不知道它們吐錢概率的情況下,如果可以無限制地?fù)u下去,自然可以知道哪臺老虎機(jī)成功率最高。

    但當(dāng)你手里的錢有限的時候,搖弊的次數(shù)也被限制了,該如何最大化自己的收益呢?

    顯然,此時每一次搖臂的機(jī)會對你來說都是極其寶貴的。

    在冷啟動中,用戶的每一次有效行為也是如此。

    系統(tǒng)既要盡可能地擴(kuò)大信息的多樣性和寬度,又要防止過多“無用”信息夾雜其中,讓用戶“信息過載”。

    過去,不少平臺試圖通過熱度模型來解決這個冷啟動中的“多臂老虎機(jī)問題”,給新用戶推薦目前點(diǎn)擊率最高的結(jié)果。但這又會大大降低信息的覆蓋率和多樣性,出現(xiàn)反復(fù)推薦。

    那么,少樣本學(xué)習(xí)(fewshot learning)又是怎么做的呢?

    簡單來說,就是讓推薦引擎具備經(jīng)過少量樣本訓(xùn)練之后快速泛化的能力,從而在冷用戶有限的行為軌跡下,實現(xiàn)推薦效果的最大化。

    舉個例子,電商平臺可以先用隨機(jī)試探的方式,選擇帶有不同標(biāo)簽的熱門商品展示給冷用戶,并對冷用戶的有效動作進(jìn)行強(qiáng)化學(xué)習(xí)。

    比如給用戶的動作設(shè)定一個獎勵函數(shù)。用戶點(diǎn)擊一次,收益就是1;沒有點(diǎn)擊,收益就是0。以此測試?yán)溆脩魧δ男┥唐酚蟹答?,再在此基礎(chǔ)上根據(jù)實際收益去調(diào)整被展示的商品。

    這樣做的好處是,即便是在有限的條件下,也能快速判斷出用戶的興趣所在,降低瀏覽過程中用戶的耐心損耗,同時避免熱度模型制造的“信息繭房”。

    一個商品的收益均值越大,被選中展示給用戶的機(jī)會就越大。而那些被選次數(shù)較少的商品,也回被呈現(xiàn)在冷用戶面前,相當(dāng)于一張“復(fù)活卡”。

    又比如孿生網(wǎng)絡(luò),訓(xùn)練時利用雙路神經(jīng)網(wǎng)絡(luò)進(jìn)行交叉計算,從而得出共性特征。再用這一模型去測試樣本,對于樣本的共性指數(shù)進(jìn)行排列。這樣電商就可以通過這種共性指數(shù)來進(jìn)行商品推薦,把用戶行為和商品標(biāo)簽看做一對孿生數(shù)據(jù),假如用戶與“少女”、“溫馨”這樣的數(shù)據(jù)標(biāo)簽共性指數(shù)越高,那么自然與“直男”、“酷炫”這樣的標(biāo)簽共性指數(shù)越低,反之亦然。當(dāng)用戶無視了粉紅色手機(jī)殼時,系統(tǒng)可以嘗試推薦白酒這類商品,通過實時反饋不斷縮小用戶畫像的范圍,在少量數(shù)據(jù)的前提下達(dá)到和協(xié)同推進(jìn)算法近似的效果。

    除了電商,少樣本學(xué)習(xí)還能夠被應(yīng)用在眾多其他領(lǐng)域。

    比如視頻網(wǎng)站。

    “一千個觀眾有一千個哈姆雷特”,用戶認(rèn)知標(biāo)準(zhǔn)不一,讓視頻的數(shù)據(jù)標(biāo)注也充滿了不確定性,無法建立龐大的標(biāo)簽體系,使得視頻平臺個性化推薦的冷啟動更加困難。

    從這個角度看,少樣本學(xué)習(xí)在視頻領(lǐng)域更有用武之地。

    比如用戶的觀看長度、觀看時間段、觀看次數(shù)、跳進(jìn)跳出等等行為都存在者很大的主觀性,很難用標(biāo)簽語言來概括。在這種情況下,在用少量視頻“試探”冷用戶的時候,反而可以對這些主觀因素進(jìn)行價值判斷并賦值,再讓機(jī)器進(jìn)行在線學(xué)習(xí),選出成功率最高的進(jìn)行推薦。

    并不討好的少樣本學(xué)習(xí),會完成推薦系統(tǒng)的終極理想嗎?

    說了這么多不難發(fā)現(xiàn),“少樣本學(xué)習(xí)”的條件要比大數(shù)據(jù)學(xué)習(xí)苛刻的多。

    它將訓(xùn)練范疇鎖定在了新用戶與單一平臺的有限交互之間,既不能調(diào)取外部用戶行為進(jìn)行協(xié)同過濾,也不讓用戶主動告知系統(tǒng)自己的個人偏好,可說是完全暴露在用戶行為的數(shù)據(jù)孤島上。

    在中國如此寬松的隱私環(huán)境下,這種探索有必要的嗎?

    我認(rèn)為是有的。

    首先我們要知道,當(dāng)前寬松的隱私環(huán)境一定只是一時的。相關(guān)法律法規(guī)的制定、用戶的防范意識只會越來越完善。未來數(shù)據(jù)泛濫供人取用的情況只會越來越少,如何最大程度下發(fā)揮有限數(shù)據(jù)的作用,一定是推薦系統(tǒng)取勝的關(guān)鍵。

    同時,能用更少的數(shù)據(jù)去捕捉更多用戶,也是中國科技企業(yè)發(fā)展從流量轉(zhuǎn)向算法的關(guān)鍵。在巨頭割據(jù)下,或許流量、再從流量中轉(zhuǎn)化數(shù)據(jù)正在成為一件奢侈的事情,但沒有數(shù)據(jù),也就沒有精準(zhǔn)的推薦算法,無法留住用戶更無法商業(yè)化。而少樣本學(xué)習(xí)的出現(xiàn),正在打破這個怪圈,未來崛起新企業(yè)不一定是BAT的附庸,但一定會應(yīng)用少數(shù)據(jù)學(xué)習(xí)算法。

    更重要的是,冷啟動所面對的,不是等待被收割商業(yè)價值的賬號,而是一個個充滿好奇的靈魂。真正優(yōu)質(zhì)的推薦系統(tǒng),要做的就是不斷帶來驚喜,這才是技術(shù)的終極理想。

    用萊蒙托夫的一句詩結(jié)束這篇文章吧……

    一只船孤獨(dú)地航行在海上/它既不尋求幸福/也不逃避幸福/它只是向前航行/底下是沉靜碧藍(lán)的大海/而頭頂是金色的太陽/將要直面的/與已成過往的/較之理想/皆為微沫……

    極客網(wǎng)企業(yè)會員

    免責(zé)聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請進(jìn)一步核實,并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏,概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時,應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關(guān)文章源頭核實,溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

    2018-10-29
    和數(shù)據(jù)濫用說再見,用少樣本學(xué)習(xí)拯救被群嘲的推薦系統(tǒng)
    推薦系統(tǒng)想必大家都不陌生,一個推薦系統(tǒng)有多“聰明”,將在很大程度上決定了用戶是留下還是跳出,甚至可能影響一款產(chǎn)品的生命周期和商業(yè)價值。

    長按掃碼 閱讀全文