乾明 編輯整理
量子位 報道 | 公眾號 QbitAI
打開淘寶后，你為什么抑制不住想剁手？阿里巴巴也想尋找答案。
其中的一篇論文，也登上AI頂級會議NeurIPS。
NeurIPS 2019在溫哥華召開期間，論文作者之一，阿里巴巴達摩院資深算法專家楊紅霞也對其進行了深入解讀。
你為啥想剁手，AI能理解嗎？
阿里的這篇論文，名為 Learning Disentangled Representations for Recommendation。
其研究的是方向就是人和商品匹配的過程中，人的認知因素。即：
人為什么喜歡一件商品，他是對哪些概念動了心，種了草，他是因為什么原因點了擊、收了藏、下了單，他當下關注點在哪個認知層面的東西，推薦系統能顯式的知道、消化并且準確響應嗎？
達摩院科學家們認為，這些所謂的認知因素，并不是商品固有的細粒度的屬性、品類，而是一種從人的角度理解商品的可傳播可解釋的概念。它們更像是廣告商會選擇去打動人心的記憶點。
推薦系統與搜索場景一個不同之處在于，它是否能主動激發用戶潛在的興趣，幫助用戶找到并接受意料之外的商品。
因此，如何挖掘潛在的認知概念，并以合理的方式，將潛在可接受的認知概念傳遞給用戶，可能是推薦系統需要有所突破的事情。
當然，關注這樣的認知過程并不是為了端到端的做“下一個商品”的預測，或者點擊率預估亦或者是評分預估。
至少前人在大規模數據的線上經驗能表明，產品形態不變的可解釋推薦，相比于黑盒模型并不能真正提高最終的點擊和轉化效果。
因此相比于可解釋推薦，認知推薦更強調人的因素，其歸宿必然是技術驅動產品形態上的創新。而新的產品形態則可以創造新的需求、用戶習慣和新的商業場景。
怎么用AI讓你多剁手
基于這樣的背景，阿里巴巴決定關注兩個和認知相關的子任務：
首先，商品在人的認知空間中是如何表征的，這樣的表征是否具有可解釋性，比如是否能找到的對應的某一維就能夠代表一個獨立的“語義”。
這里的語義，其所具有的可解釋性其實是本質是一個與認知和傳播相關的概念，即是能被人們理解和傳播的。
類似的，人在這個空間下的表征，是否也具有這樣的語義？
聯系解離化表征（Disentangled Representation Learning）在連續型數據上的發展，阿里想要探索是否能從離散數據，特別是用戶行為數據上學習到類似的結果。
其次，基于這樣的表征，能否提出新型的推薦應用，并至少給出一種原型方案。
這其中探索的一個問題就是，根據用戶的行為，能否得到一些認知相關的決策因素，并以可解離的方式對商品和用戶進行表示。
他們的目標是獲得用戶u的向量化表征 ，同時模型也會產出商品的表征 ，以供推薦系統根據用戶的表征召回一批商品。
針對電商平臺上用戶行為的特點，他們的模型采用了層次化的設計：在推理一個用戶的表征時將依次進行宏觀解離化（macro disentanglement）和微觀解離化（micro disentanglement）。
宏觀解離化主要的考慮是，用戶興趣通常是非常廣泛的，一個用戶的點擊記錄往往會涉及到多個獨立的消費意圖（比如點擊不同大類下的商品）。而用戶在執行不同意圖時的偏好往往也是獨立，比如喜歡深色的衣服并不意味著用戶也喜歡深色的電器。
哪怕是價格偏好也常存在不可遷移的情況，比如買高檔口紅、和買便宜好用的筆記本電腦這兩者并不互斥。
另外，宏觀解離化也是微觀解離化的必要前提。
微觀解離化，是希望能把用戶在執行某個意圖時的偏好進一步地分解到更細的粒度。
而不同大類的商品屬性集合是很不同的，用戶表征向量的某一個維度，如果已經被用于刻畫用戶對手機電量的偏好了，那么這一維對服飾等商品就是沒有任何意義的。
所以在預測用戶是否會點擊某個服飾時、在通過用戶行為學習某個服飾的表征時，都應當忽略這些只和手機相關的維度。
在這樣的思路下，他們提出了這樣的一個模型：
這是一個深度生成模型假設用戶的表征 指示了這些商品通常都對應哪些宏觀的消費意圖。為了優化這個深度概率模型，他們還采納了VAE的框架。以下的偽代碼可以有助于更好的理解優化目標：
這個模型能讓你多剁手嗎？
阿里達摩院的科學家表示，解離化表征在帶來一定的可解釋性的同時，也帶來了一定的可控制性。這種可控制性有望給推薦系統引入一種全新的用戶體驗。
比如說，既然表征的各個維度關聯的是不同的商品屬性，那么完全可以把用戶的表征向量提供給用戶，允許用戶自行固定絕大部分維度（比如對應的是衣服的風格、價格、尺寸等）、然后單獨調整某個維度的取值（比如顏色對應的維度），系統再根據這個反饋調整推薦結果。
這將幫助用戶更加精準地表達自己想要的、并檢索得到自己想要的。
他們也展示了調控某個維度后檢索得到的兩批商品，可以看出這個被調控的維度和背包的顏色這一屬性比較相關，并有較為明顯的漸變性質：
以下是在另一個維度上檢索得到的兩批商品，可以看出這個被調控的維度和背包的顏色這一屬性比較相關，并有較為明顯的漸變性質：
當然這個研究還有不足：并不是所有的維度都有人類可以理解的語義。
在無監督的情況下，訓練出可解釋的模型仍然需要運氣，避免不了“反復訓練多個模型，然后挑出最好的模型”這一陷阱。因此，建議未來的研究者們多多關注（弱/半）監督方法，引入標簽信息。
這是在線數據上得到的結果，那離線數據上的定量實驗怎么樣呢？
他們在某個小規模數據集上定量測量了解離化程度（及其與推薦性能之間的關系）。
初步發現解離化程度較高與推薦性能好這兩者之間有較強的相關性，引入宏觀解離化后，確實大大改善了微觀解離化，他們的方法無論是解離化程度還是推薦性能，都優于基線方法。
他們也在幾個離線數據集（包括一個淘寶的數據集AliShop-7C）上測量方法的Top-N推薦表現。
可以看出這個方法優于基線方法，尤其是在小規模或稀疏的數據集上。因為Top-N推薦不是阿里做這個問題的初衷，所以能做出這樣的效果也算令人滿意。
做這個有啥用呢？在論文中，達摩院的科學家們也給出了解釋：
隨著現代電商推薦系統的技術發展，學術界和工業界在預估點擊率，預測下一個點擊商品這些單任務上的提高越發困難，而這樣的提高所帶來的增量效益也難以很好的估計。
更多用戶體驗方面的問題被擺在了決策者的眼前，比如為什么買了又推，為什么都是點過的商品，如何創造真正增量的價值。
所以，他們現在選擇圍繞人的認知行為和過程，來探索新的推薦形態的可能性。
最后介紹下幾位作者吧。
一作馬堅鑫，是阿里達摩院實習生，清華大學13級本科生，師從清華大學朱文武教授。
另一位一作周暢，也是來自達摩院的算法專家。
論文傳送門如下，有興趣可以關注：
Learning Disentangled Representations for Recommendation
https://arxiv.org/abs/1910.14238
— 完—
大咖齊聚！量子位MEET2020智能未來大會
量子位 MEET 2020 智能未來大會回放來啦！李開復、倪光南、景鯤、周伯文、吳明輝、曹旭東、葉杰平、唐文斌、王硯峰、黃剛、馬原等AI大咖與你一起讀懂人工智能。掃碼觀看回放吧~ ~
量子位 QbitAI · 頭條號簽約作者
?'?' ? 追蹤AI技術和產品新動態
喜歡就點「在看」吧 !
