智能推荐系统：比你更懂你

■文/曹 健

智能推荐系统有望成为你的朋友，甚至导师。

人工智能的应用已经融入了我们的日常生活，智能推荐就是我们日常生活中最经常遇到的人工智能应用之一。随着在线服务的流行，吃穿住行等各种服务中推荐都如影相随。不仅如此，推荐也在金融投资、学术研究、个性化医疗等场合发挥着越来越重要的作用。因此，不少学者指出，我们从“信息时代”迈入了“推荐时代”。

将计算智能引入决策过程

从决策的角度看，智能推荐其实是计算智能和人类智能融合到一定阶段的产物。决策是依据需求和目标，在各种选择中做出决定的过程。需求的复杂性、选择的多样性使得决策成为一个高度复杂的过程。随着计算机技术的发展，计算智能被不断引入决策过程以提升决策的效果，加快决策的速度并减轻决策的负荷。早年的决策支持系统中包含了通过对问题进行模型化，提供各种算法进行求解的模型库和方法库，其假设是需求、各种解是可以建模的。然而，现实中大多数问题是难以建模的，特别是人类的需求。因此，各种检索工具包括搜索引擎依据用户给出的查询条件返回满足条件的结果，用户自己再在结果中进行判断和选择。随着用户交互数据的积累，计算机能够建立和推测用户的需求模型以及各种解的模型，从而主动筛选出少量的最佳答案，这就是智能推荐的模式。

推荐系统经过多年的发展已经形成了不同的方法。最简单的推荐方法为基于人口统计学的推荐，它只是根据用户的类别，将该类别用户关联程度最大的物品（在推荐系统中，物品是广义的概念，它指代用户待选择的对象）筛选出来。显然，这种方法还谈不上太多的智能性。第二种方法是基于内容的推荐，在这种情况下，用户的属性和物品的属性都能够获得，因此可以在历史数据中知道与当前用户属性相似的用户喜欢的物品，也可以知道与用户已经选择的物品属性相似的物品。在基于内容的推荐中，核心是基于属性进行“相似性”的计算。第三种方法是基于协同过滤的推荐，它针对某一用户，基于其购买历史找到具有相似购买历史的用户，或者针对某一物品找到具有相似购买用户集合的其他物品。它的基本假设是，具有相似购买历史的用户可能有相同或者相似的口味和偏好。显然，这三类方法不是对立的，它们具有互补性，在实际应用中通常混合使用各种算法来获得最佳效果。本质上，推荐是一个预测用户和物品之间连接强度的问题。因此，近年来，各种机器学习算法包括深度学习的算法被应用到了智能推荐系统的构造中。

比你更懂你的智能推荐系统

人类的需求是复杂的。许多时候，人类自身也并不一定清楚自己的需求。最初对推荐系统效果的评价主要是看算法能否较好地拟合用户的选择行为，因此，在设计算法时，用一部分历史数据进行模型训练，而用另一部分历史数据进行验证。显然，这一层次的智能推荐系统的目标是“在你所知道的物品中推荐你所需要的”。

人类具有主观能动性，有通过学习不断扩大认知范围的动机。然而，由于时间、精力等限制，人们往往倾向于在所知道的东西中进行选择，这就不可避免地造成很多选择机会的丧失。近年来，推荐系统的性能指标中引入了一个概念叫“惊喜度”。“惊喜度”意味着给出的某一个推荐物品，用户以前是不知道的，它给用户带来了意料之外的乐趣。事实上，推荐技术中协同过滤等技术的引入在一定程度上可以带来“惊喜度”，而针对“惊喜度”这一指标进行特别的优化可以带来更好的效果。这一层次的智能推荐系统的目标可以称为“推荐你所需要的”。

让用户满意是智能推荐的目标，但“是否满意”这一评价指标具有复杂性。人类的一个智慧是为了长期目标，有时候我们愿意牺牲短期目标。因此，短期满意度和长期满意度是需要平衡的。例如，你喜欢吃某一种腌制食品，常规的推荐系统自然会推荐类似的腌制食品，但长期吃腌制食品可能对健康带来损害。因此，智能推荐系统从健康角度出发减少对腌制食品的推荐，即使从短期来看会影响你对系统的评价。这一层次的智能推荐系统的目标可以称为“让你成为更好的自己”。

为了实现智能推荐，目前业界已经提出了多种不同的推荐模式。

（1）跨领域推荐：在现实世界中，每个用户通常在某些领域（如购买书籍）有足够多的历史数据，而在其他一些领域（如购车）缺乏数据。近年来，跨领域推荐成为推荐系统中的一个热点，以利用用户在经验丰富的领域中的反馈数据，来帮助推测用户在经验缺乏的领域上的偏好。

（2）上下文感知推荐：人们有些选择和时间、地点、天气等上下文密切有关。所谓上下文，指的是一切影响人们选择的因素。通过对上下文信息的采集和建模，可以实现更为准确的推荐，也可以实现实时推荐。

（3）社会化推荐：普通的推荐系统依据的是相似用户的信息。在现实生活中，受社会因素的影响，我们与朋友、所在的群体往往有共同的偏好。因此，社会化推荐中引入朋友和群体的信息来提高推荐的效果。同时，在朋友和群体中，往往某些人比一般人更具代表性（称为专家），他们的意见在算法中会给以更大的权重。

（4）终身推荐：人是不断成长的，在人生的不同阶段有着不同的需求。因此，终身推荐的目标是伴随你的成长，预测你下一步的需求，并提供推荐信息。

亦师亦友的智能推荐系统

随着我们的数据被更为全面地采集以及人工智能水平的提高，智能推荐的水平也在不断提高，它将渗透到我们生活的每一个方面。它不仅建议我们的衣食住行，而且建议我们应该去交什么样的朋友，应该约会什么样的对象，告诉我们碰到问题去找哪位专家，如何调整我们的情绪乃至如何选择自己的人生道路。

智能推荐系统不断与我们进行交互，从我们身上不断学习，给出建议，并观察我们对建议的反馈从而进一步更新模型。智能推荐系统无疑像一位亲密无间的朋友。

另一方面，智能推荐系统不仅学习用户当前的生活习惯，也从其他用户乃至专家身上学习，因此可以给予更为智慧的引导。它扩大了我们的眼界和认知范围，引导我们成为更好的自己。从这个意义上讲，智能推荐系统将成为你的导师，甚至你的指挥者。如果你信任智能推荐系统，它甚至可以替你进行决策并直接采取行动：当你回到家，你的情绪不佳，推荐系统将为你播放振奋人心的歌曲；当你需要旅游，推荐系统直接为你订好宾馆和机票。然而，这种导师式的智能推荐系统是你所需要的吗？它会不会形成对我们生活的干扰乃至粗暴的干涉？人类的自主性又将置于何处？

不管如何，智能推荐系统无疑已经进入并影响了我们的生活，而更好的智能推荐系统需要我们共同进行探索。