【51CTO.com原創(chuàng)稿件】2018年，人工智能作為人類開創(chuàng)未來最耀眼的技術(shù)之一，正在深刻影響著全球產(chǎn)業(yè)結(jié)構(gòu)、商業(yè)模式、城市形態(tài)以及人類生活工作方式。如何讓人工智能技術(shù)為行業(yè)賦能，讓眾多行業(yè)共享科技生產(chǎn)力，是數(shù)字化轉(zhuǎn)型浪潮下的重要課題。作為推動(dòng)人工智能務(wù)實(shí)創(chuàng)新的年度重要活動(dòng)，11月30日-12月1日，WOT2018全球人工智能技術(shù)峰會(huì)在北京•粵財(cái)JW萬豪酒店盛大召開。60+國內(nèi)外人工智能一線精英大咖與千余名業(yè)界專業(yè)人士齊聚現(xiàn)場，分享人工智能的平臺(tái)工具、算法模型、語音視覺等技術(shù)內(nèi)容，探討人工智能如何賦予行業(yè)新的活力。

　　12月1日上午，A會(huì)場推薦搜索分論壇召開，三位資深專家受邀出席發(fā)表精彩演講。會(huì)后51CTO將專家發(fā)言整理成文，希望他們對(duì)于技術(shù)的理解和實(shí)踐中的解決方法能夠?qū)Υ蠹矣兴梃b。

　　張康 奇虎360人工智能研究院技術(shù)經(jīng)理

　　深度推薦系統(tǒng)在360的應(yīng)用

　　張康演講的主要內(nèi)容是分享在360各種場景下，基于深度學(xué)習(xí)推薦系統(tǒng)的應(yīng)用。他表示，最淺顯層次的推薦系統(tǒng)就是通過函數(shù)來建模。如果需要在抽象層次再深入一點(diǎn)，就是將簡單的數(shù)學(xué)公式拆分成不同的算法模塊，如召回、排序、策略。最后一個(gè)層次是把推薦系統(tǒng)服務(wù)于線上，主要由五大部分組成： ETL(數(shù)據(jù)清洗)、Server模塊、Platform(機(jī)器學(xué)習(xí)訓(xùn)練平臺(tái))、A/B測試、報(bào)表。

　　他認(rèn)為，現(xiàn)實(shí)生活中的深度推薦系統(tǒng)，很多論文中80%的內(nèi)容會(huì)側(cè)重對(duì)模型部分的描寫，只有20%的內(nèi)容留給實(shí)驗(yàn)，而事實(shí)上實(shí)驗(yàn)包含豐富內(nèi)容，卻很容易被人忽視。他舉例說道，數(shù)據(jù)分析和清洗、特征設(shè)計(jì)和交叉、模型對(duì)比、召回策略、重排序策略都有很多內(nèi)容需要去實(shí)踐，而真正傳統(tǒng)意義上的實(shí)驗(yàn)如測評(píng)、A/B，實(shí)驗(yàn)分析，其實(shí)是和之前這幾項(xiàng)內(nèi)容相互交接起來的。

　　深度推薦系統(tǒng)在360的應(yīng)用主要有三個(gè)方面：APP推薦(360手機(jī)助手)、常搜詞(360搜索&導(dǎo)航)、個(gè)性化消息推送(快視頻)。APP推薦算是他們整個(gè)團(tuán)隊(duì)在推薦領(lǐng)域的第一次試水，他們最終建立一個(gè)多分類模型，引入圖像搜索的方案，預(yù)測用戶安裝是否準(zhǔn)確，最終交給業(yè)務(wù)部門做代理優(yōu)化，反饋也比較好。“常搜詞”，就是用戶經(jīng)常會(huì)搜的詞，張康介紹到，360導(dǎo)航每天都有好幾億的PV，因此他們需要進(jìn)行天級(jí)離線更新，基于用戶的搜索日志、瀏覽日志進(jìn)行統(tǒng)計(jì)特征。經(jīng)過個(gè)性化+特征優(yōu)化后，這部分業(yè)務(wù)收入上升5%。

　　個(gè)性化消息推送的出發(fā)條件和時(shí)間條件跟用戶的個(gè)性化實(shí)時(shí)相關(guān)，并非每天定時(shí)定點(diǎn)推薦，內(nèi)容與用戶行為相關(guān)，需要個(gè)性化推薦，對(duì)于“拉活”的意義非常大。他們先是針對(duì)語義、視覺、行為召回做優(yōu)化，后來發(fā)現(xiàn)這樣用戶體驗(yàn)并不好，還需要做召回?cái)?shù)據(jù)流的優(yōu)化、模型的更新、在線服務(wù)的調(diào)整等大量工作。除此之外，還要對(duì)視覺領(lǐng)域、語義模型、排序做優(yōu)化。在架構(gòu)上，既要有離線部分實(shí)現(xiàn)倒臺(tái)服務(wù)和日志搜集、報(bào)表，也要跟業(yè)務(wù)方在線系統(tǒng)做實(shí)時(shí)交互，給業(yè)務(wù)有更多的活躍用戶。

　　王建強(qiáng) Stitch Fix創(chuàng)始人、前Twitter高級(jí)技術(shù)主管

　　Stitch Fix : 基于算法推薦的背水一戰(zhàn)

　　王建強(qiáng)告訴聽眾，Stitch Fix是一家數(shù)據(jù)驅(qū)動(dòng)的服裝新零售公司，100%的銷售都源于推薦和算法，其中在亞馬遜的銷售約35%都來自推薦，LinkedIn中50%用戶都來自推薦。Stitch Fix是一個(gè)盲盒模式銷售，即用戶收到衣服之前不知道收到的是哪些衣服，“我們會(huì)給用戶配送五件衣服，以快遞形式送到用戶家，用戶留下自己喜歡的，免費(fèi)送回其他的衣服。”王建強(qiáng)表示，公司試錯(cuò)成本比較高，還有雙向物流的支出，正是基于此，算法推薦的準(zhǔn)確性對(duì)Stitch Fix是關(guān)乎企業(yè)生存能力的重要指標(biāo)。

　　據(jù)他介紹，Stitch Fix有四個(gè)特點(diǎn)來幫助那些沒有時(shí)間逛商場或者不太精通穿搭的職場人士，即推薦的細(xì)顆粒度、低頻、自建庫存、人機(jī)耦合的模式做推薦。其中人機(jī)耦合的效果起到了1+1>2的效果，通過機(jī)器計(jì)算實(shí)現(xiàn)對(duì)大量庫存SKU篩選和排序，從大規(guī)模數(shù)據(jù)中找到Pattern，減輕了人工的壓力。

　　王建強(qiáng)在現(xiàn)場舉了一個(gè)算法推薦模型的實(shí)際應(yīng)用案例。當(dāng)造型師給用戶推薦衣服的時(shí)候，看到的是用戶的相關(guān)數(shù)據(jù)，如這位用戶30歲，是一個(gè)母親，號(hào)碼是超小號(hào)，生活在明尼蘇達(dá)，美國中西部的一個(gè)州。系統(tǒng)會(huì)把用戶的風(fēng)格樣式劃分到七個(gè)緯度，每個(gè)緯度是一到四個(gè)打分，造型師會(huì)根據(jù)這個(gè)打分來判斷用戶的風(fēng)格偏好。最后根據(jù)身材尺寸數(shù)據(jù)，造型師就可以比較有把握地給用戶推薦衣服。“在推薦主模型里，我們現(xiàn)在用的模型是混合效應(yīng)模型，之所以選擇混合效應(yīng)模型，有兩個(gè)因素，一個(gè)原因是，我們團(tuán)隊(duì)主要是以統(tǒng)計(jì)背景為主。另外一個(gè)原因，混合效應(yīng)模型，科技執(zhí)行力會(huì)更高一些，精度也更高一些。”

　　蔣前程 美團(tuán)高級(jí)算法技術(shù)專家

　　美團(tuán)O2O服務(wù)搜索的深度學(xué)習(xí)實(shí)踐

　　蔣前程表示，美團(tuán)覆蓋了用戶吃住行游購?qiáng)矢鱾€(gè)領(lǐng)域，年度活躍買家達(dá)3.1億，正因?yàn)榉?wù)種類多，所以也存在一個(gè)困擾就是如何快速地找到用戶想要的內(nèi)容，這就是搜索在美團(tuán)平臺(tái)上發(fā)揮的價(jià)值。據(jù)了解，服務(wù)搜索大概會(huì)覆蓋40%的交易，每天服務(wù)的用戶產(chǎn)品量在億級(jí)別。

　　美團(tuán)搜索平臺(tái)與傳統(tǒng)搜索平臺(tái)相比，有很多自己的特色和挑戰(zhàn)。蔣前程介紹到，首先用戶個(gè)性化需求更高，其次需求場景化，不同場景下數(shù)據(jù)和檢索層面都存在很大不同，再次是美團(tuán)用戶具有非標(biāo)屬性，產(chǎn)品沒有標(biāo)準(zhǔn)，即使同一個(gè)菜品，不同用戶喜歡也各不相同。此外還有實(shí)時(shí)化特點(diǎn)，上午在公司和晚上在家里對(duì)于美食的需求都不一樣。

　　那么美團(tuán)如何解決這些挑戰(zhàn)呢?蔣前程表示，總結(jié)起來就是通過兩個(gè)路徑——通過智能匹配技術(shù)找到用戶想要的，如何讓用戶更快速地找到，這兩點(diǎn)本質(zhì)其實(shí)就是召回和排序。

　　智能匹配技術(shù)需要注意兩點(diǎn)，一是用戶意圖的匹配，二是周圍度的匹配。蔣前程舉了一個(gè)例子，例如在北京南站，用戶對(duì)餐飲的需求比較大，但是如果是第一次來北京或者是偶爾出差，那可能對(duì)住宿的需求就更多一些。所以即使在同一個(gè)地點(diǎn)，但是在不同場景下美團(tuán)會(huì)呈現(xiàn)不同的內(nèi)容。“在多維度方面，除了傳統(tǒng)的文本匹配，也加入了向量化召回的思路。”蔣前程解釋道，做好用戶匹配之后，即使給用戶推薦一百款內(nèi)容，但是用戶最多看幾個(gè)，不滿意就會(huì)離開，因此，這就需要通過個(gè)性化排序來找到用戶最想要的內(nèi)容。

　　個(gè)性化排序主要有三個(gè)層面：召回層、模型層、業(yè)務(wù)層。其中模型層演進(jìn)到如今，已經(jīng)進(jìn)入實(shí)時(shí)化和深度學(xué)習(xí)階段。其中實(shí)時(shí)化需要通過特征實(shí)時(shí)化和在線學(xué)習(xí)來實(shí)現(xiàn)。蔣前程重點(diǎn)講了美團(tuán)深度學(xué)習(xí)的框架，它可以更好地支持非常大規(guī)模的數(shù)據(jù)和模型的在線支持、多種模型定義支持、流式模型訓(xùn)練支持。“最終，美團(tuán)訂單有明顯提升，在各個(gè)業(yè)務(wù)線上，我們現(xiàn)在的主體模型都是深度學(xué)習(xí)的模型，也是流式模型，都有非常正向的效果。”蔣前程總結(jié)道。

　　以上內(nèi)容是51CTO記者根據(jù)WOT2018全球人工智能技術(shù)峰會(huì)的《推薦搜索》分論壇演講內(nèi)容整理，更多關(guān)于WOT的內(nèi)容請關(guān)注51cto.com。

【51CTO原創(chuàng)稿件，合作站點(diǎn)轉(zhuǎn)載請注明原文作者和出處為51CTO.com】