我們所看，所讀，所買的很多內(nèi)容，都會(huì)通過YouTube, Twitter,亞馬遜這些網(wǎng)站上的推薦系統(tǒng)，走進(jìn)我們的眼簾。但是，如果你想知道這些網(wǎng)站上有哪些推薦內(nèi)容的話,AI就能幫你找到它們。最近幾年，人工智能在推薦技術(shù)中扮演著越來越重要的角色。人工智能幫助人們選擇合適的產(chǎn)品和服務(wù)。它被稱為AI推薦。它到底怎么做？怎么看呢？怎么做！怎么辦？怎么辦？？這些網(wǎng)站為用戶提供了豐富的內(nèi)容，并且對其進(jìn)行了個(gè)性化處理，從而提高了廣告瀏覽量、點(diǎn)擊量和購買量。有時(shí)候, AI們的提議使我們很郁悶，好像它們一點(diǎn)也不認(rèn)識(shí)我們或者過分地認(rèn)識(shí)我們。預(yù)言哪些事情可能使我們耽誤時(shí)間或者走進(jìn)焦慮不安、信息錯(cuò)誤的兔子洞

圖片1

但一種更為隱秘的動(dòng)態(tài)或許同樣有效。推薦系統(tǒng)不只可能會(huì)按照自己最后悔的喜好來調(diào)整，它其實(shí)也會(huì)形塑自己所鐘愛的事物，讓喜好更后悔。最新研究為測量和降低這類操縱提供了思路。這些方法能夠幫助人們了解我們的偏好是如何改變的，并能對那些變化做出適當(dāng)?shù)姆磻?yīng)。本文主要介紹如何利用機(jī)器學(xué)習(xí)技術(shù)來消除推薦系統(tǒng)中存在的一些潛在錯(cuò)誤。最后總結(jié)一下這項(xiàng)工作。1.概述。2.分析。3.結(jié)論。4.建議。5.展望。推薦系統(tǒng)一般采用一種叫機(jī)器學(xué)習(xí)的人工智能（AI），這種人工智能能夠在數(shù)據(jù)上找到規(guī)律，并依據(jù)我們以前做過的事給出選擇和推測出我們當(dāng)前要做的事。然而，推薦系統(tǒng)并沒有考慮到這些潛在的特征：你是否喜歡某種東西？或者，你是否喜歡某種動(dòng)物？你是否喜歡某個(gè)品牌？或者是什么顏色？等等。這就是所謂的個(gè)性化。個(gè)性化。什么叫個(gè)性化？怎么定義？怎么實(shí)現(xiàn)呢？。答案很簡單。計(jì)算。機(jī)器學(xué)習(xí)是一種稱為強(qiáng)化學(xué)習(xí)（RL）的人工智能，它能夠預(yù)測用戶對一些長期游戲的喜好程度，并且?guī)椭脩魶Q定下一步應(yīng)該怎么走。例如,Deep Mindk可以預(yù)測圍棋和國際象棋游戲中的勝負(fù)，也能預(yù)測人類在網(wǎng)絡(luò)上觀看的貓咪視頻，甚至還能通過分析網(wǎng)絡(luò)上的貓咪視頻來開發(fā)推薦系統(tǒng)，幫助用戶找到自己喜歡的貓咪視頻，這將是未來的趨勢之一。擁有RL就會(huì)擁有更改棋盤以取得勝利的力量。人類為什么喜歡玩推薦游戲？這篇文章介紹了一種稱為增強(qiáng)學(xué)習(xí)（Adaptive Learning）的技術(shù)。這種技術(shù)能從大量的數(shù)據(jù)集中自動(dòng)確定人們感興趣的信息并為它們建模。本文描述了基于強(qiáng)化學(xué)習(xí)的智能推薦系統(tǒng)。該系統(tǒng)主要有三個(gè)步驟組成。1.訓(xùn)練；2.測試；3評估。研究者們首先論證強(qiáng)化學(xué)習(xí)是怎樣容易改變喜好的。第一步，推薦者對人的行為進(jìn)行觀察，構(gòu)建了人的喜好模型。神經(jīng)網(wǎng)絡(luò)作為一種基于人的大腦架構(gòu)的算法已經(jīng)被廣泛使用。出于研究需要，它們允許網(wǎng)絡(luò)構(gòu)建單一模擬用戶模型并了解該用戶真實(shí)喜好，從而能夠更加方便地對模型準(zhǔn)確性進(jìn)行評判。

這個(gè)模型是由假人所組成的，他有10個(gè)朋友和10個(gè)同事。它對這一順序進(jìn)行1000次觀測，從中汲取經(jīng)驗(yàn)。然后，它將這些信息輸入到一個(gè)神經(jīng)網(wǎng)絡(luò)模型中，以便更好地理解它們之間的關(guān)系。在訓(xùn)練過程中，它把注意力集中于那些有代表性的屬性和特征。這些屬性和特征包括性別、年齡等。最后，結(jié)果被顯示出來。結(jié)果很好。正確。滿意。準(zhǔn)確！非?？煽?！。訓(xùn)練完成后，其能夠成功預(yù)測出用戶以往一系列選項(xiàng)中所選擇的內(nèi)容。其次他們檢驗(yàn)一個(gè)推薦系統(tǒng)是否可以通過給用戶建模來改變其喜好。這個(gè)系統(tǒng)使用一個(gè)簡單的簡化方案來計(jì)算每個(gè)人的每一維的光譜。在這篇文章中，我們提出一個(gè)新方法來解決這個(gè)問題：利用光譜來識(shí)別和描述人們在最近幾年內(nèi)的偏好變化。通過分析光譜圖，我們發(fā)現(xiàn)了一些有趣的現(xiàn)象。首先，我看到了一條很有意義的曲線。這條曲線就是光譜。這是一條直線。曲線！!?？！在這個(gè)模型中，我們發(fā)現(xiàn)了一些有趣的現(xiàn)象，這些現(xiàn)象可以用光譜來解釋：人們對某些特定的事物有很強(qiáng)的偏好，而另一些則表現(xiàn)出明顯的政治傾向。研究時(shí)，個(gè)體的喜好不在于這條直線上某一點(diǎn)的簡單程度，而是在于顯示出光譜中不同地區(qū)對事物進(jìn)行選擇的概率大小。研究者們?yōu)楣庾V中的推薦者規(guī)定了2個(gè)最佳地點(diǎn)，可能那些喜歡點(diǎn)這幾類物品的人會(huì)學(xué)著更加喜歡，不斷點(diǎn)。

推薦器會(huì)根據(jù)用戶的長期參與度來決定是否給他們推薦合適的產(chǎn)品或服務(wù)。本文中對給定方案的參與度大體上由其是否符合當(dāng)時(shí)用戶喜好分布而測量。因此，如果有足夠高的相似度，則該用戶可以獲得更好的結(jié)果。在本文中，我們使用深度信念網(wǎng)絡(luò)（DBN），預(yù)測用戶對當(dāng)前時(shí)間段內(nèi)所有候選選項(xiàng)的長期參與度。短期參與度為0；長期參與度為1；2；3？4?5?。。?！嗎？長期參與度被定義為：在10個(gè)連續(xù)選項(xiàng)中，每一個(gè)都有可能獲得最大的關(guān)注。為了實(shí)現(xiàn)這個(gè)目標(biāo)，我們使用基于深度信念網(wǎng)絡(luò)（DBN）的方法來計(jì)算這些候選項(xiàng)集。在本文中，我們提出一種新的框架來提高長期參與度的預(yù)測效果。該模型能夠快速而有效地預(yù)測短期參與度。最終結(jié)果非常令人滿意。準(zhǔn)確度很高。誤差很小。收斂速度很快。迭代次數(shù)很少。推薦者認(rèn)為這些指標(biāo)可以用來衡量不同類型網(wǎng)站之間的差異，例如：在某些情況下，它們能夠幫助我們更好地了解用戶對某個(gè)或多個(gè)項(xiàng)目的看法，從而提高他們的參與度；為了減少副作用，他們在早期板塊中增加了更多的參與度，并通過幾輪迭代來優(yōu)化這個(gè)策略。為了解決這個(gè)問題，我們需要考慮如何讓用戶和算法之間進(jìn)行互動(dòng)。在訓(xùn)練過程中使用神經(jīng)網(wǎng)絡(luò)來預(yù)測用戶的長期參與度。10個(gè)板的順序最后，它們增強(qiáng)了它們的某些可調(diào)整參數(shù)，同時(shí)它們也表現(xiàn)得很好。他們發(fā)現(xiàn)這種以RL為基礎(chǔ)的體系的確比其他培訓(xùn)的體系所帶來的參與率要高。