用“猜词神器”打破网购套路推荐

大家在网购时都有过这种体验：刚刚下单了一整条吐司面包，翻到首页一看，系统铺天盖地又给你推荐了十几种不同品牌的吐司面包。 事实上，一个聪明的推荐系统此时应该意识到，你现在最需要的可能不是另一袋面包，而是用来搭配面包的火腿或者黄油。这种基于用户当前“网购状态”（学名叫做用户会话上下文，User-session Context）的智能判断，正是推荐系统多年来难以攻克的痛点。

为了打破这种“无限套路循环”的套路推荐，这篇论文巧妙地从语言学中偷师，用一套极简的“浅层大网络”结构，让AI推荐既能精准猜中你的心思，又能保持满满的新鲜感。为什么现在的电商 App 总喜欢给你推荐一模一样的东西？这得怪传统推荐算法的“基因缺陷”：

（1）协同过滤与矩阵分解：经典算法太依赖你的“历史总账本”，它们只懂得寻找“相似性”。你过去买过鞋，它们就认为你一辈子都喜欢鞋。

（2）深度学习（如 RNN/GRU4Rec）：后来，引入了深度学习，试图记录你点击商品的先后顺序。但这种方法太死板了，它假设用户的点击有着严格的先后顺序。可实际上，你把吐司、牛奶和火腿放进购物车时，先拿哪个、后拿哪个完全是随机的，没有严格的因果关系。

（3）在线计算的“终极死穴”：面对动辄几百万的用户和商品，深度神经网络结构太复杂，计算起来慢如蜗牛，没办法在网页刷新的千分之一秒内完成实时推荐。

既然传统的路走不通，科学家们把目光投向了自然语言处理（NLP）领域。在语言学里，有一种非常成功的文字嵌入模型叫Word2vec。它的工作原理很简单：给你一个句子“我想吃吐司配___”，让你根据上下文猜空中填什么词。Word2vec 放弃了复杂的深层网络，而是采用了一种“又浅又宽”（Shallow and Wide）的架构，哪怕面对几百万个词汇，也能算得飞快。

研究团队一拍大腿：把商品看作“单词”，把用户的网购过程看作一个“句子”，这不就是完美的推荐模型吗？ 于是，专门为电商量身定制的 SWIWO（Session-based Wide-In-Wide-Out，基于会话的宽进宽出网络） 模型诞生了！

（1）底层输入（双通道宽幅输入）：左下角是用户通道（u），输入你的个人 ID 编码；右下角是上下文通道（c），输入你当前这趟购物里已经看过的各种商品（比如 v₁-v_i）。

（2）中间隐层（非线性嵌入）：算法将这些稀疏的商品 ID 转化成一串连续的高维数学向量（h_u-h_c），并且加入了时间衰减权重。意味着刚刚点击的商品权重最大，而半小时前点击的商品权重会慢慢变小。

（3）顶层输出（宽幅输出预测）：两股力量在顶端汇合，直接算出一个得分矩阵，预测出你当下最可能买的下一个商品（v_t）。

为了让网络能在实际电商网站中“秒回”结果，团队还使用了一招叫 NCE（噪声对比估计）的代码。普通的AI想要推荐一个商品，得把全商城几十万件商品挨个算一遍概率，这太慢了。而 NCE 算法精明地把这个问题变成了一个“真假辨别游戏”：它只拿当前的正确商品和几个随机挑选的“捣乱噪声商品”（比如高频出现的矿泉水）进行对比，从而把计算速度提升了几个数量级！

理论说得天花乱坠，实战才是检验真理的唯一标准。研发团队把 SWIWO 模型拉到了阿里巴巴的大数据竞赛平台（Tmall.com天猫真实数据集）上，与当时世界上最先进的各种大牌 AI 模型进行了一场硬碰硬的正面肉搏。 实验不仅考核了 AI 的准确率（你推荐的是不是我想买的），还严格考核了多样性（你推荐的东西是不是花样百出，而不是死抠相似商品）。

在 Figure 2 的柱状图中，DIV@10 代表推荐结果的“多样性”（蓝色柱子），F1@10 则是将准确率和多样性结合后的“综合战斗力得分”（黄色柱子）。老一代的算法（POP、FPMC、PRME）由于只会死脑筋推荐同类热门款，多样性几乎垫底；深度循环网络（GRU4Rec）虽然表现不错，但我们的 SWIWO 模型（最右侧柱子）在综合战斗力上展现出了压倒性的优势！

对比不考虑用户身份的简配版（SWIWO-I），完整的 SWIWO 模型成功把“用户个人画像”和“当前购物状态”完美揉在了一起，给出的推荐结果不仅新鲜感拉满，而且极具个性化。 通过将复杂的“深度网络”降维打击成高效的“浅层宽幅网络”，SWIWO 成功在网购推荐中实现了一场效率与体验的革命。

作者简介：胡亮，同济大学计算机科学与技术学院教授、博导。研究方向涵盖人工智能、推荐系统、机器学习、深度学习与数据科学。入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。 

ORCID：0000-0001-8588-2177。

DOI：10.24963/ijcai.2017/258

已收藏 0

点赞 0