人机与推荐

再读《追问人工智能》一书有感

“想要预测一个人的未来，需要了解其过去“。推荐技术作为当今个性化时代互联网的核心技术之一，如何实现纯粹的个性化推荐，是推荐技术发展的重要方向之一。如何实现更加精准，更加高效的推荐，一直是谷歌、亚马逊、阿里巴巴等巨头公司重兵投入的领域之一，现如今的推荐的系统所处的环境是大数据量，显然更加适合数据驱动的方法，如何利用已有的数据，去实现推荐模型更加精确的推荐结果，是众多研究者所努力的方向2015年左右，深度学习的技术浪潮席卷而来，迅速引爆了整个领域的全面技术变革。

一、推荐系统的基本架构

当今时代是一个大数据时代，我们每个人都处于大量的数据之中，如何找到自己感兴趣的书籍、电影、论文等是我们常常遇见的难题。推荐系统要解决的就是如何在信息过载的情况下高效的获得感兴趣的信息。

推荐系统希望利用大量的与‘“人”相关的信息，比如历史行为信息，人口属性，关系网络，人所处的位置等。但是在一般的场景中，人们的选择会受到时间，地点，人的状态（比如：心情等）一系列环境信息或称为上下文信息的影响。

图1 推荐系统框架

直观来看，推荐系统是要处理的是“人”和“信息”之间的关系，其实推荐系统要处理的是人与人、人与环境的关系。人与物之间的关系，是西方一个重要的研究方向。推荐系统反馈给人几个推荐结果，然后人去选择自己最想要的，这就形成了一个简单的人机交互系统。但是在未来的人工智能中，人机融合的方式，既把人的智慧和机器的智能结合在一起，是一个更加有力的发展趋势。

二、是什么限制了推荐技术的发展

从2010年之前前篇一律的协同过滤（CollaborativeFiltering,CF）、逻辑回归，进化到因子分解机、梯度提升树，再到2015年后的深度学习时代，各种模型架构层出不穷。时至今日，深度学习推荐系统已经成为主流方法，与传统的机器学习模型相比，深度学习模型的表达能力更强，能够挖掘出更多数据中潜藏的模式。但是这种基于数据驱动的方式，天生就是有缺陷的。

首先是现有的推荐技术无法去理解人的动机性。在心理学上一般被认为涉及行为的发端、方向、强度和持续性。动机也是有层次的，不同层级可以互相转换。人处于不同的需求层次就会有不同的动机层次。有了动机后，人们的行为就有了指向性，这对于人的日常行为是非常重要的。但是现有的推荐系统无法去理解人的动机，而只是单纯的挖掘历史数据，去寻找一个最大的可能选项。如果让现有的推荐系统去产生动机，那么一大难点在于动机是很难被表征的。

其次是现有的推荐系统无法很好的利用人类的常识。常识的定义为在一定的文化背景下，人们拥有的相同的经验知识。比较常见的有空间、时间、文化、物理常识。常识对于我们日常生活十分重要，尤其是在我们做出决定与判断的时候尤为如此。很多常识是潜移默化形成的，是文化与背景学习的产物。

目前的推荐系统有两条方法来解决常识问题：

1.使用（类人）强化学习的方法，就像一个孩子一样去学习，不过这样时间成本比较大，用户能否承担起这些成本还是未知数。

2.建立大型的常识库，并将其存储到电脑中。现在比较前沿的方法就是将知识图谱和推荐系统进行结合，将常识嵌入到推荐系统中，实现一小部分的常识表征。

最后是推荐系统怎么去做最后的决策，选出最好的结果。人类的决策机制主要分为三大部分：理性决策、描述性决策与自然决策。理性决策即认为人在决策时遵循着理性价值最大化的原则，比较具有代表性的有冯·诺伊曼提出的最大期望效用理论。而描述性决策认为人在进行决策时不完全遵循理性准则。该理论认为，决策者依据价值函数、权重函数赋予选项不同的效用值，最终选取最大期望效用值做出决策。而自然决策专门研究人们如何在自然环境或仿真环境下实际进行决策。而现如今的推荐系统的决策方法往往是不完全的理性决策，为什么说不完全，因为我们所设计的价值期望，并不能代表人的价值，更不用说期望之后有多大的偏差了。

所以，我们要怎么去表征人的价值，怎么去建立事实与价值的之间的关系，显然，这是一个高度非线性的关系。只有更好的表征出价值与事实的关系，我们才能更好的去决策，更好的去选择出对的结果。

未来推荐系统的发展，一定要去理解人的动机，这样才能使得推荐更有导向，一定要去利用人类世界的常识，这样才能使得推荐系统从数据驱动实现的感知跨越到从数据驱动与知识驱动融合实现的认知层面。最后就是要去表征价值与事实之间的关系，我们拿到很多事实的数据，怎么去表征他和价值的关系，这样才能更好的去指导推荐系统的决策和选择，实现一个真正理解人的，千人前面的，精准、高效的推荐系统。

三、从知识和数据融合开始

随着目前大规模的数据交叉及相互关联性，数据的持征和现实的需求也都相应的发生了变化。大规模、跨领域、跨语言、跨媒体、普适化、动态演化、多源异构为主要特征的数据正在发挥着更加重要的作用。

目前还没有形成一个高效的用于知识融合的算法，现在己有的知识融合方法都是通过借鉴信息融合方法得来的。知识融合的目的是为了提供更好的知识，将多源异构的知识经过一系列处理，得到可靠性较高的知识，也可能会发现隐藏的知识。

知识融合最简单的形式就是将多源异构的知识进行组合，知识来源之间通过相互合作或相互竞争，将它们提供的知识部分或全部都融合在一起，形成新的知识。要实现知识融合至关重要的事情就是要设计有效的知识融合算法。数据融合是解决从不同的来源冲突的值。

尽管现在对知识库及知识融合方面现在己经有了大量的研究，对于知识库的研究大都是基于某一特定领域的，而对于知识融合的研究虽然取得了一定的成绩，但仍有非常大的的研究和进步空间。由于现在大数据技术不断的快速发展，知识具有了异构，多源，规模庞大等特点，同样给知识融合带来了巨大的挑战。

将知识和数据融合之后的结果，用于个性化推荐中，可以初步缓解常识应用在推荐系统之中的问题。使得机器可以像人一样拥有的类似的经验，使得推荐系统做出决定与判断的时候更加有理有据。

 

再快的计算机也不如人的想象