阿里巴巴周畅：认知与推荐系统

⬆⬆⬆ 点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

尽管大家对认知科学和推荐系统并不陌生，很少人会想到两者的交叉会擦出怎样的火花。2020 年 9 月 25日，由中国科协主办，清华大学计算机科学与技术系、AI TIME 论道承办的《2020 中国科技峰会系列活动青年科学家沙龙——人工智能学术生态与产业创新》上，阿里巴巴高级算法专家周畅所作的学术报告《认知智能与推荐系统》，从了解用户兴趣和意图这两方面，介绍了他在细粒度用户行为建模方面的研究与探索。

周畅，阿里巴巴高级算法专家，2017年博士毕业于北京大学。他主要的研究方向为表征学习，推荐系统，目前已在NIPS/ICLR/ACL/WWW/VLDB/AAAI等会议上发表20余篇文章。其研发的超大规模商品图表征算法APP、用户表征框架ATRank、基于自监督对比学习的向量召回算法CLRec系列已先后在手淘多个个性化推荐场景下获得大幅提升。他目前在探索认知智能与推荐系统的结合点，并做了一系列探索性的工作，包括自监督的Disentangled用户/商品表征、认知推理、行为语义对齐、记忆机制等。

一、推荐系统与认知科学的交集

现今推荐系统目的主要是建立用户和商品之间高效的流量分发机制，其核心问题之一是如何更好地理解用户在系统中行为，包括如何有效记住用户历史上尽可能多的行为、推测行为背后反映的逻辑。而认知科学研究人们怎么认识世界、并在认知的驱使下做出行为，两者都关注人的建模问题。因此认知科学中关于人类的记忆机制、知识的形成、存储及传播的观点，可能会对推荐系统尤其是用户行为方式的理解有一定的借鉴意义。

最近几年随着深度学习的发展，从最开始的特征聚合到现在对行为粒度的理解，用户建模的方式有较大的变迁。

过去用户建模，会利用各种聚合规则人工抽取出用户行为的粗粒度特征，比如对品牌和类目的偏好。现在，这些工作被端到端的、更细粒度的行为建模所替代。一方面，通过这样的方式，我们能记住更多、更精确的用户兴趣，从而提高推荐效率。换言之，我们能知道用户具体干了什么。另一方面，通过对细粒度行为的理解，我们能探测用户行为背后的意图，即为什么产生这些行为，进而尝试一些新的交互形式。

下面，我们从这两方面，谈谈近期的工作成果。

二、记忆之链：用户行为表征