[[195601]]

深度學(xué)習(xí)屬于機器學(xué)習(xí)范疇下的一個子集，其利用多種方法以實現(xiàn)人工智能研究當(dāng)中的一大核心目標(biāo)：讓計算機對我們的世界進行充分建模，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)算法通過多個處理層對原始數(shù)據(jù)進行解釋。其中每個處理層皆將前一處理層的輸出結(jié)果作為輸入結(jié)果，同時創(chuàng)建出更為抽象的表達。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)此在處理新的類似情況時作為參考。

谷歌翻譯提供的類似于科幻小說般的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)的強大能力橫掃圍棋界——不過具體來講，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學(xué)習(xí)與樹搜索這一經(jīng)典AI基礎(chǔ)技術(shù)相結(jié)合的產(chǎn)物。

深度學(xué)習(xí)屬于解決計算問題的一種充分方法，主要面向各類太過復(fù)雜而無法憑借圖像分類或者自然語言處理等簡單算法直接解決的任務(wù)。然而，目前深度學(xué)習(xí)的實際用途仍然非常有限。當(dāng)下利用機器學(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踐。舉例來說，關(guān)注近期深度學(xué)習(xí)變革動態(tài)的朋友可以已經(jīng)聽說，谷歌公司前任AI負責(zé)人John Giannandrea已經(jīng)接管了該公司的搜索部門（這甚至可能徹底顛覆整個SEO領(lǐng)域）。

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

可以肯定的是，深度學(xué)習(xí)亦將推動個性化領(lǐng)域迎來下一輪重大的跨越式發(fā)展。個性化對于電子商務(wù)企業(yè)、發(fā)行商以及營銷機構(gòu)而言皆已成為一大核心領(lǐng)域，因為事實證明其確實有能力提升銷售效果、增加參與度并改善整體用戶體驗。如果說數(shù)據(jù)是個性化的燃料，那么推薦系統(tǒng)就是其出力引擎。此類算法的進步對于這一領(lǐng)域以及平臺用戶的在線體驗必將產(chǎn)生深遠的影響。

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

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，其推薦的結(jié)果源自用戶此前曾經(jīng)查看的其它類似條目。解決此類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)源為用戶交互，即Amazon上提供的“買過此商品的用戶還買了……”）。然而，元數(shù)據(jù)質(zhì)量低下成為制約其實際效果的常見瓶頸，這主要源于元數(shù)據(jù)存在價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)也僅能夠表達實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)系將匹配算法對于產(chǎn)品更為全面的理解，且更少依賴于手動標(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，同時幫助用戶創(chuàng)造出經(jīng)過改進的個性化體驗。這項音樂流服務(wù)以往曾在其推薦系統(tǒng)中采用協(xié)同過濾方法。但Spotify公司實習(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，因為這種高度依賴于數(shù)據(jù)的作法將不可避免地錯失某些人氣不高、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50萬首歌曲當(dāng)中各自挑選時長30秒的摘錄，并對音樂本身進行分析。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非常相似。事實上，“立足于這套網(wǎng)絡(luò)中高于輸出層的完全連接層，經(jīng)過學(xué)習(xí)的過濾器最終能夠更具選擇性地把握音樂中的某些子類”，包括福音音樂、中國流行音樂或者深屋音樂等。在實踐當(dāng)中，這意味著此類系統(tǒng)能夠僅基于歌曲的相似性（這種特性對于用戶組合個性化播放列表非常重要）以有效進行音樂推薦。盡管我們尚不清楚Spotify公司是否會將這些發(fā)現(xiàn)納入實際算法，但這項實驗本身的意義仍然值得高度肯定。

解決冷啟動難題

冷啟動可謂推薦系統(tǒng)的天敵，其可能對用戶及條目產(chǎn)生嚴(yán)重影響。對于用戶而言，冷啟動意味著當(dāng)前系統(tǒng)幾乎甚至完全不具備任何與客戶行為及偏好相關(guān)的信息。而條目冷啟動則代表其缺少能夠指導(dǎo)用戶互動的條目到條目間關(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致建議）。而利用上述基于內(nèi)容的方法，條目冷啟動的實際效果將得到明顯改善，因為其能夠保證推薦系統(tǒng)較少依賴于事務(wù)及交互數(shù)據(jù)。

然而，為新用戶創(chuàng)造有意義的個性化體驗又是另一個棘手的問題，而且很難通過簡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)品組合的在線商店系統(tǒng)中普遍存在，客戶會隨著時間推移而隨意訪問完全不同的瀏覽目標(biāo)。他們可能最初決定購買微波爐，但卻在下一次訪問時查找手機。在這種情況下，第一次會話收集到的數(shù)據(jù)與第二次會話幾乎完全無關(guān)。

解決用戶冷啟動問題的一種有趣思路在于建立基于會話或者條目到會議的推薦。簡單來講，這意味著系統(tǒng)不再依賴于客戶的整體交互歷史，而是將相關(guān)數(shù)據(jù)分解成多個不同會話，同時立足于特定會話的點擊流為用戶建立興趣模型。通過這種方式，未來的推薦系統(tǒng)可能將不再依賴于數(shù)月甚至數(shù)年之內(nèi)收集到的、經(jīng)過精心設(shè)計的客戶資料，而完全可以在用戶進行一段時間的網(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，但確實有可能帶來巨大的個性化在線體驗提升機遇。Gravity R&D公司的研究人員們在參與歐盟資助的CrowdRec項目時共同撰寫了一篇論文，其中介紹了如何利用一種卷積神經(jīng)網(wǎng)絡(luò)（簡稱RNN）方法提供基于會話的建議。這是第一篇利用深度學(xué)習(xí)技術(shù)通過基于會話方式實現(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)的實效。

真理四時刻

所謂真理四時刻，是指客戶在根據(jù)企業(yè)溝通與相關(guān)可用信息作出決定的四段短暫時間。這些決定雖然受到長期考量、個人喜歡以及品牌忠誠度等因素的嚴(yán)重影響，但同時也受到瞬時印象的引導(dǎo)。面對這些真理時刻，強大的深度學(xué)習(xí)系統(tǒng)很可能帶來足以左右人類決策流程的可行方法——這樣的見解無疑相當(dāng)新穎。

舉例來說，我們都知道漂亮的產(chǎn)品圖片能夠促進銷售（整個行業(yè)都在想辦法為出租房屋或者食物拍攝美觀的圖像）。但在另一方面，我們也期待著能夠利用基于深度學(xué)習(xí)的圖像分析方法來評估產(chǎn)品圖像中的視覺特性到底如何對銷售活動產(chǎn)生顯著的積極影響。

誠然，本篇文章所涉及的內(nèi)容并不詳盡。個性化無疑是當(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，希望保持自身競爭優(yōu)勢的企業(yè)自然也有必要時刻關(guān)注這項技術(shù)的發(fā)展與動向。

原文鏈接：

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