推荐系统中的人工智能
推荐系统是人工智能悄悄地选择你接下来观看、购买和滚动的内容。
概述
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
深入探讨
推荐器的工作是从庞大的目录中预测用户想要什么。两种经典方法是协作过滤，它可以跨用户查找模式（“像您这样的人也喜欢这个”），以及基于内容的过滤，它将项目功能与您过去的偏好相匹配。现代系统将这些结合起来并添加了深度学习：神经网络学习用户和物品的密集嵌入，因此相似的品味在向量空间中彼此靠近。 Netflix 以其 100 万美元的奖金普及了该领域，如今这些系统为 YouTube 的提要、亚马逊的产品建议、Spotify 的 Discover Weekly 和 TikTok 的 For You 页面提供支持。它们也是一个令人担忧的问题，因为纯粹为了参与而进行优化可能会产生过滤气泡并放大令人上瘾或两极分化的内容。
技术洞察
矩阵分解是一个突破：将稀疏的用户-项目评分矩阵表示为两个较小的潜在因子矩阵的乘积，因此每个用户和项目都成为一个短向量。用户和项目向量的点积可预测评级。深度模型通过神经协同过滤和两塔架构扩展了这一点，可以快速检索候选者，然后排名模型对它们进行评分。冷启动，推荐全新的用户或商品，仍然是一个顽固的挑战。
战略影响
构建选择
应用级设计决定了人工智能是否能改善实际结果。
团队与工作流程
良好的工作流程集成可以创造用户值得信赖的生产力收益。
风险与安全
范围明确的用例可以减少变更疲劳和实施风险。
人工智能在推荐系统中的未来
推荐者变得更加上下文化和对话化。大型语言模型可让您用自然语言寻求建议并解释为什么选择某些内容，而多模态模型则可以对文本、图像、音频和视频一起进行推理。预计将更加重视对原始点击的长期满意度，以及推动透明度和用户对算法的控制的监管。设备上推荐和联合推荐等隐私保护技术也在不断发展。
现实世界的实施
Netflix 推荐节目，甚至根据您的观看历史记录定制缩略图
Spotify 的 Discover Weekly 通过对具有相似品味的听众进行协作过滤来构建个性化播放列表
亚马逊的“购买此产品的客户也购买了”和主页产品推荐推动了很大一部分销售
TikTok 的 For You 页面可通过观看时间、重播和跳过来快速了解偏好，从而对短视频进行排名
风险与防护栏
将损坏的流程自动化可能会加剧现有问题。
团队可能会过度自动化并消除所需的人工判断。
如果不持续评估输出，质量可能会出现偏差。
实施路线图
绘制当前工作流程并确定摩擦最大的步骤。
在完全自动化之前定义人工检查点。
对用户进行提示、升级路径和质量标准方面的培训。
跟踪任务级结果以确认持续价值。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Recommendation Systems quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is AI in Recommendation Systems?
推荐系统是人工智能悄悄地选择你接下来观看、购买和滚动的内容。他们为 Netflix、亚马逊、YouTube 和 Spotify 等公司带来了巨大的参与度和收入。
协同过滤是基于什么？
协作过滤可以找到具有相似品味的用户并推荐他们喜欢的内容，即“像您一样的人也喜欢”的想法。
基于内容的过滤使用什么来提出推荐？
基于内容的过滤将项目属性与您之前喜欢的事物的特征相匹配。
矩阵分解在推荐系统中解决了什么问题？
矩阵分解将评分矩阵分解为小的用户和项目向量，其点积可预测评分。
什么是“冷启动”问题？
冷启动是在有关新用户或项目的数据很少或没有的情况下提出良好推荐的挑战。
哪些竞赛有助于普及推荐研究？
价值 100 万美元的 Netflix 奖要求团队改进其收视率预测，并推动了该领域的重大进步。