深度學(xué)習(xí)+推薦系統(tǒng)的前沿與實踐
近年來，深度學(xué)習(xí)出現(xiàn)并統(tǒng)治了人工智能領(lǐng)域。推薦系統(tǒng)技術(shù)迎來了一次重大的革新，推薦系統(tǒng)正式進入了深度學(xué)習(xí)時代。
學(xué)術(shù)界嘗試用深度學(xué)習(xí)設(shè)計推薦算法，工業(yè)界也將深度學(xué)習(xí)廣泛應(yīng)用于實際項目。
推薦系統(tǒng)與深度學(xué)習(xí)的碰撞
涌現(xiàn)出一大批優(yōu)秀成果
2016年，微軟亞洲研究院謝幸博士的團隊開始將深度學(xué)習(xí)、知識圖譜、強化學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)等最新技術(shù)應(yīng)用到微軟的廣告、新聞、游戲等推薦場景，取得了推薦效果、用戶活躍度以及廣告收入的大幅度提升，并發(fā)表了一系列有影響力的學(xué)術(shù)論文。
他們將成功的經(jīng)驗進行總結(jié)，與微軟云計算團隊的鄔濤博士、張樂博士等合作者一起開發(fā)了Microsoft Recommenders項目。
該項目在2018年底正式開源，目前是GitHub上星標(biāo)最多的開源推薦系統(tǒng)項目。
同年，時任IBM中國研究院研究員的李東勝博士將深度學(xué)習(xí)與傳統(tǒng)推薦技術(shù)融合，設(shè)計了一個面向銷售業(yè)務(wù)的客戶-產(chǎn)品推薦引擎。
2017年，該引擎為IBM公司帶來超過20億美元的新增銷售機會。該項目在2018年獲得了IBM最高獎——IBM Corporate Award。
這些經(jīng)驗表明，推薦系統(tǒng)正在持續(xù)影響甚至改變?nèi)祟惻c信息世界的交互方式，而推薦系統(tǒng)與深度學(xué)習(xí)的結(jié)合更是帶來了革命性的突破。
表征學(xué)習(xí)+交互函數(shù)學(xué)習(xí)
推薦系統(tǒng)開啟全新范式
隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，主流的推薦算法逐漸被深度學(xué)習(xí)技術(shù)替代。
例如，傳統(tǒng)的內(nèi)容的描述被替換成深度學(xué)習(xí)擅長的表征學(xué)習(xí)，如文本建模的向量空間模型被替換成了神經(jīng)網(wǎng)絡(luò)模型。
研究人員針對神經(jīng)網(wǎng)絡(luò)的特點，探索出了一種推薦算法的新范式，即表征學(xué)習(xí)加交互函數(shù)學(xué)習(xí)。
其中，表征學(xué)習(xí)主要通過神經(jīng)網(wǎng)絡(luò)將用戶和物品表示成向量，交互函數(shù)學(xué)習(xí)主要通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶向量和物品向量之間的關(guān)系。
深度學(xué)習(xí)的出現(xiàn)極大地改變了推薦技術(shù)的發(fā)展方向，深入理解基于深度學(xué)習(xí)的推薦技術(shù)對于研究人員和技術(shù)人員是非常必要的。
從算法層面來說，推薦系統(tǒng)包含兩個關(guān)鍵功能：
第一，理解用戶與物品；
第二，預(yù)測用戶與物品間的關(guān)系。
深度學(xué)習(xí)在這兩個關(guān)鍵功能上都有顯著優(yōu)勢：
首先，深度學(xué)習(xí)通過表示學(xué)習(xí)的方式來建模用戶和物品，不僅能更準(zhǔn)確地描述用戶興趣和物品屬性，還能更方便地捕捉傳統(tǒng)方法難以建模的特征，如文本、圖片、音頻、知識庫等，從深度和廣度兩方面提升對用戶和物品的理解。
其次，深度學(xué)習(xí)通過神經(jīng)網(wǎng)絡(luò)的強大擬合能力，能夠準(zhǔn)確地捕捉用戶與物品間的任意關(guān)系，如非線性關(guān)系、動態(tài)關(guān)系、時空關(guān)系等，學(xué)習(xí)到更加準(zhǔn)確的用戶--物品交互關(guān)系函數(shù)。
從系統(tǒng)層面來說，深度學(xué)習(xí)也為推薦系統(tǒng)的開發(fā)、運行和維護帶來了新的挑戰(zhàn)。
對于技術(shù)人員來說，基于云平臺的開發(fā)與運維成為了工業(yè)級推薦系統(tǒng)的新范式，主要得益于云平臺的彈性計算和存儲、易于部署、集成環(huán)境和高可靠性等優(yōu)點。
近年來，眾多成功案例使得人們對于基于深度學(xué)習(xí)的推薦系統(tǒng)出現(xiàn)了前所未有的關(guān)注，上述推薦系統(tǒng)與深度學(xué)習(xí)結(jié)合的新范式也得到了工業(yè)界和學(xué)術(shù)界的普遍認可。
后深度學(xué)習(xí)時代
面臨安全與隱私、可解釋性、算法偏見等挑戰(zhàn)
隨著推薦系統(tǒng)逐步深入人們?nèi)粘Ｉ畹母鄨鼍?，推薦系統(tǒng)與人的交互也面臨著更大的挑戰(zhàn)。推薦系統(tǒng)作為與人聯(lián)系緊密的應(yīng)用，其底線是不傷害用戶，即符合負責(zé)任的人工智能的相關(guān)準(zhǔn)則。
針對這一目標(biāo)，研究人員需要關(guān)注推薦系統(tǒng)的安全與隱私、算法的可解釋性、算法是否有偏見等。
除了對個體的影響，還需要關(guān)注推薦系統(tǒng)對社會群體的影響，例如推薦系統(tǒng)是否會產(chǎn)生信息繭房效應(yīng)等。
因此，在關(guān)注技術(shù)發(fā)展的同時，還要關(guān)注推薦系統(tǒng)可能產(chǎn)生的負面社會影響，在研究新的技術(shù)時，盡可能地保證技術(shù)是負責(zé)任的。
這一點已經(jīng)在全球范圍內(nèi)得到了主流研究機構(gòu)的認可，未來將會是推薦系統(tǒng)相關(guān)技術(shù)發(fā)展的重點。
《推薦系統(tǒng)：前沿與實踐》正是在這樣的背景下出版的。感興趣可以掃描海報或點閱讀原文優(yōu)惠購書。
本書作者李東勝、練建勛、張樂、任侃、盧暾、鄔濤、謝幸長期活躍在推薦系統(tǒng)研發(fā)一線，在推薦系統(tǒng)領(lǐng)域的權(quán)威會議和期刊上發(fā)表過數(shù)百篇有影響力的學(xué)術(shù)論文，主持開發(fā)包括Microsoft Recommenders在內(nèi)的多個成功推薦系統(tǒng)項目。
本書作者以第一線的視角和經(jīng)驗對推薦系統(tǒng)進行總結(jié)，嘗試從原理與實踐兩個角度向讀者剖析推薦系統(tǒng)。
在原理方面，本書介紹各類經(jīng)典推薦算法以及前沿的深度學(xué)習(xí)推薦算法，涵蓋深度協(xié)同過濾、特征交互、基于圖神經(jīng)網(wǎng)絡(luò)的推薦、序列與會話推薦、結(jié)合知識圖譜的推薦和基于強化學(xué)習(xí)的推薦等重要技術(shù)，探討推薦算法研究在對話、因果、常識等方面的前沿話題，分析推薦系統(tǒng)在數(shù)據(jù)融合、系統(tǒng)擴展、性能評估等方面的關(guān)鍵挑戰(zhàn)，并探討如何設(shè)計負責(zé)任的推薦系統(tǒng)等。
在實踐方面，本書結(jié)合微軟的開源項目Microsoft Recommenders介紹推薦系統(tǒng)的實踐經(jīng)驗，讀者可以基于本書提供的源代碼，深入學(xué)習(xí)推薦算法的設(shè)計原理和實踐方式，并可以基于本書從零開始快速搭建一個準(zhǔn)確、高效的推薦系統(tǒng)。
本書不僅適合互聯(lián)網(wǎng)、大數(shù)據(jù)等相關(guān)領(lǐng)域技術(shù)人員閱讀，也適合高等院校計算機、軟件工程、人工智能等專業(yè)的本科生和研究生參考。
總的來說，本書是一本“來得恰到好處”的推薦系統(tǒng)著作，兼顧了理論性和實踐性，包含了經(jīng)典算法和前沿方法。
本書的作者們都是該領(lǐng)域全球范圍的研究學(xué)者，且多數(shù)身在微軟，因而對產(chǎn)業(yè)需求非常敏銳！希望各位讀者都能從本書中有所得。
——周濤 電子科技大學(xué)教授
在互聯(lián)網(wǎng)時代，推薦系統(tǒng)具有巨大的商業(yè)價值和社會影響力。三十年來，推薦系統(tǒng)受到學(xué)術(shù)界與工業(yè)界的持續(xù)關(guān)注。本書的作者們活躍在推薦系統(tǒng)領(lǐng)域的研發(fā)前沿，具有第一線的視角和經(jīng)驗。本書從經(jīng)典推薦算法入手，深入介紹了基于深度學(xué)習(xí)的推薦技術(shù)，并結(jié)合知名開源項目Microsoft Recommenders的實踐，向讀者們展示了推薦系統(tǒng)領(lǐng)域的全景。
——楊強 加拿大工程院及加拿大皇家科學(xué)院兩院院士，微眾銀行首席人工智能官，香港科技大學(xué)講席教授
本書是推薦系統(tǒng)領(lǐng)域的一本亟需之作。謝幸博士是世界領(lǐng)先的推薦系統(tǒng)專家，他和合作者們基于過往研究經(jīng)歷與所開發(fā)的開源項目，深入淺出地介紹推薦系統(tǒng)的基礎(chǔ)知識、原理和實踐經(jīng)驗。本書受眾廣泛，適合初學(xué)者、技術(shù)人員及研究人員閱讀。任何想要了解推薦系統(tǒng)基本原理、實踐經(jīng)驗及未來發(fā)展方向的讀者都適合閱讀本書。
——劉歡 美國亞利桑那州立大學(xué)教授，ACM Fellow
推薦系統(tǒng)是人工智能的重要應(yīng)用領(lǐng)域，如何構(gòu)造實用的推薦系統(tǒng)是大家都關(guān)心的問題。本書作者相關(guān)研發(fā)團隊在推薦系統(tǒng)領(lǐng)域積累深厚，不少領(lǐng)域中的重要模型就是由他們提出的。本書對推薦系統(tǒng)的主要技術(shù)發(fā)展脈絡(luò)進行了深入淺出的梳理和講解，重點介紹了深度學(xué)習(xí)相關(guān)的前沿方向，理論與實踐兼?zhèn)?，是推薦領(lǐng)域的佳作。
——張俊林 新浪微博機器學(xué)習(xí)團隊AI Lab負責(zé)人