推薦系統中的人工智慧
推薦系統是人工智慧悄悄地選擇你接下來觀看、購買和滾動的內容。
概述
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
深入探討
推薦器的工作是從龐大的目錄中預測使用者想要什麼。兩種經典方法是協作過濾，它可以跨用戶查找模式（「像您這樣的人也喜歡這個」），以及基於內容的過濾，它將專案功能與您過去的偏好相匹配。現代系統將這些結合起來並添加了深度學習：神經網路學習使用者和物品的密集嵌入，因此相似的品味在向量空間中彼此靠近。 Netflix 以其 100 萬美元的獎金普及了該領域，如今這些系統為 YouTube 的提要、亞馬遜的產品建議、Spotify 的 Discover Weekly 和 TikTok 的 For You 頁面提供支援。它們也是一個令人擔憂的問題，因為純粹為了參與而進行優化可能會產生過濾氣泡並放大令人上癮或兩極分化的內容。
技術洞察
矩陣分解是一個突破：將稀疏的使用者-項目評分矩陣表示為兩個較小的潛在因子矩陣的乘積，因此每個使用者和項目都成為一個短向量。使用者和項目向量的點積可預測評級。深度模型透過神經協同過濾和兩塔架構擴展了這一點，可以快速檢索候選者，然後排名模型對它們進行評分。冷啟動，推薦全新的用戶或商品，仍然是頑固的挑戰。
戰略影響
配裝選擇
應用級設計決定了人工智慧是否能改善實際結果。
團隊與工作流程
良好的工作流程整合可以創造使用者值得信賴的生產力效益。
風險與安全
範圍明確的用例可以減少變更疲勞和實施風險。
人工智慧在推薦系統中的未來
推薦者變得更加情境化和對話化。大型語言模型可讓您用自然語言尋求建議並解釋為什麼選擇某些內容，而多模態模型則可以對文字、圖像、音訊和視訊一起進行推理。預計將更加重視對原始點擊的長期滿意度，以及推動透明度和用戶對演算法的控制的監管。設備上推薦和聯合推薦等隱私保護技術也不斷發展。
現實世界的實施
Netflix 推薦節目，甚至根據您的觀看歷史記錄自訂縮圖
Spotify 的 Discover Weekly 透過對具有相似品味的聽眾進行協作過濾來建立個人化播放列表
亞馬遜的「購買此產品的客戶也購買了」和主頁產品推薦推動了很大一部分銷售
TikTok 的 For You 頁面可透過觀看時間、重播和跳過來快速了解偏好，從而對短影片進行排名
風險與防護欄
將損壞的流程自動化可能會加劇現有問題。
團隊可能會過度自動化並消除所需的人工判斷。
如果不持續評估輸出，品質可能會出現偏差。
實施路線圖
繪製目前工作流程並確定摩擦最大的步驟。
在完全自動化之前定義人工檢查點。
對使用者進行提示、升級路徑和品質標準的訓練。
追蹤任務級結果以確認持續價值。
不斷探索
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
常見問題
What is AI in Recommendation Systems?
推薦系統是人工智慧悄悄地選擇你接下來觀看、購買和滾動的內容。他們為 Netflix、亞馬遜、YouTube 和 Spotify 等公司帶來了巨大的參與和收入。
協同過濾是基於什麼？
協作過濾可以找到具有相似品味的用戶並推薦他們喜歡的內容，即「像您一樣的人也喜歡」的想法。
基於內容的過濾使用什麼來提出推薦？
基於內容的過濾將項目屬性與您之前喜歡的事物的特徵相匹配。
矩陣分解在推薦系統中解決了什麼問題？
矩陣分解將評分矩陣分解為小的使用者和項目向量，其點積可預測評分。
什麼是「冷啟動」問題？
冷啟動是在有關新用戶或專案的數據很少或沒有的情況下提出良好推薦的挑戰。
哪些競賽有助於普及推薦研究？
價值 100 萬美元的 Netflix 獎要求團隊改進收視率預測，並推動了該領域的重大進步。