AI破解众口难调

周五晚上，一家人整整齐齐地坐在沙发上准备看部电影，温馨的画面却在打开电视的那一刻戛然而止。爸爸想看硬核科幻，妈妈想看治愈情感，孩子吵着要看动画片。大家各持己见，最后在无休止的争论和妥协中，敷衍地选一个谁都不太满意的片子。

传统的推荐系统擅长捕捉你个人的“小脑瓜”里在想什么，面对“家庭”或“团队”这种群体活动时，往往就会彻底失灵。 这篇论文为 AI 推荐系统打造了一个“深层双翼大脑”（名为 DLGR 模型），能够像一个精明的“家庭会议和事佬”一样，既照顾到每个人的小情绪，又精准把握全家的大方向。在过去，群组推荐系统（GRS）想要解决众口难调的问题，通常采用两种死板的策略：

（1）粗暴合账本（组群偏好聚合，GPA）：这种方法把全家人的历史观影标签混在一起，强行打包成一个“虚拟人”。坏处显而易见：如果爸爸平时点赞、评分特别积极，全家的画像就会严重向爸爸倾斜，导致推荐列表变成他的个人专属，忽略了其他不爱评分的成员。

（2）机械算总账（个人偏好聚合，IPA）：这种方法稍微聪明一点，分别预测出每个人看某部电影会打几分，然后套用固定公式。比如“照顾最惨的那个人”（Least Misery策略，谁最讨厌就一票否决），或者直接“取平均分”（Average 策略）。但这忽略了一个核心的人性特征：人在群体中的行为是会改变的。一个人时可能喜欢看恐怖片，陪娃时甘愿看动画片

传统的浅层算法过度依赖表面上的评分数据，一旦数据有一点对不上，推荐结果就不尽人意。为了打破这种尴尬局面，作者利用深度学习（Deep Learning）的超强能力，给全家建立一个能够层层提炼的“深层信念网络”。 首先要做的，就是搞清楚你在家里时，到底 “为大局妥协多少（全家共识）”，又保留了多少“自己的执念（个人私心）”。

如图 1（左）所示，最下方是我们在家里看电影的原始历史记录（Member Profile）。AI 并没有直接拿这些数据去算平均分，而是通过底层的机器模型，提炼出了你在家庭环境下的真实表现特征（Member Features）。 在图 1（右）的顶层，AI把复杂的成员特征像切蛋糕一样，完美剥离成了两部分：一部分是全家人共同妥协、能够达成默契的 “集体特征”（Collective Features，图中蓝色部分）；另一部分则是你雷打不动的“个人特征”（Individual Features，图中绿色部分）。 通过这种深度网络的层层剥离，AI成功提炼出 “家庭共识画像”。

光提炼出全家的共识还不够，AI还需要参考这个家庭过去真正一起买票看过的电影账本，把“理论偏好”和“真实行为”结合起来。 为此，研究团队在模型的最顶端，放置了一个精妙的双翼受限玻尔兹曼机（Dual-Wing RBM）。

看历史行为（Group Profile）：负责学习你们家过去真正一起看过的电影记录（比如打勾代表看过，打叉代表没看）。

看深度共识（Collective Features）：无缝承接了前面第一层大脑提炼出来的“全家深度共识特征”。

合体共振（Comprehensive Features）：两个巨大的信息过滤器，在最顶端进行交叉共振，最终凝练出了最全面且最懂人情世故的“综合偏好特征”（h，图中红色部分）。

通过这一步，AI就掌握了全家看片的终极密码，仅需不到一秒钟就为你们家重构出一份完美的“周五私人片单”。为了检验这套“双翼大脑”是不是真的懂人类家庭的温馨与妥协，团队将算法带到了著名的CAMRa2011真实家庭观影数据集上进行实战考核。

这个数据集包含了290个真实家庭、602名家庭成员对7740部电影的数十万条真实行为记录。在与kNN、传统矩阵分解（MF）等一众大牌老一代推荐算法的正面肉搏中，新模型（DLGR）在各项指标上均展现出了绝对的压倒性优势。 更让人惊叹的是它处理“复杂大客群”的能力：

从图3的柱状图对比中可以清晰地看到，当家庭只有2个人（通常是小情侣或夫妻）时，大家由于品味相近，传统算法勉强还能应付。当家庭成员变成 3 人或 4 人以上（通常是父母加孩子，存在巨大的代沟差异）时，传统老一代算法（如 MF-GPA 等）的柱子直接发生了解体式暴跌。因为这种浅层结构无法调节如此剧烈的数据冲突。反观最右侧的DLGR模型（深红色柱子），无论家庭是从2个人变成4个人，它的得分曲线都表现得稳如泰山！

这项发表在人工智能顶会上的中国成果，不仅为群组推荐系统提供了一个兼具数学严谨性与人性温度的全新范式，更成功证明了深度学习在理解人类复杂社会行为层面的巨大潜力。

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：10.1609/aaai.v28i1.9007

已收藏 0

点赞 0