11月20日消息，據(jù)國外媒體報道，據(jù)谷歌稱，Alphabet旗下子公司DeepMind開發(fā)的人工智能和機器學習模型架構(gòu)已經(jīng)極大地改善了Google Play應用商店的發(fā)現(xiàn)系統(tǒng)。

在今天的一篇博文中，DeepMind詳細介紹了該項旨在支持Google Play推薦引擎的合作。這個應用商店每月活躍用戶量超過20億。DeepMind聲稱，應用程序推薦現(xiàn)在已經(jīng)變得比過去更加個性化。

谷歌的發(fā)言人在電子郵件中稱，該新系統(tǒng)已于今年部署到位。

值得一提的是，這并不是DeepMind團隊第一次為谷歌的Android業(yè)務貢獻自己的專業(yè)技術(shù)。該總部位于英國的子公司曾開發(fā)機載學習系統(tǒng)來提高Android的電池性能，它的WaveNet系統(tǒng)也被用來生成語音，提供給Google Assistant語音助手用戶。最新的合作則充分體現(xiàn)了DeepMind與谷歌旗下項目之間的緊密聯(lián)系。DeepMind于2014年1月被谷歌斥資4億美元收歸門下。

正如DeepMind所解釋的那樣，Play Store的推薦系統(tǒng)包含三個主要的模型：一個候選生成器、一個重新排序器和一個用于優(yōu)化多個目標的AI模型。候選生成器可以分析100多萬個應用，并檢索出當中最合適的應用，而重新排序器則從“多個”維度預測用戶的偏好。那些預測為上述優(yōu)化模型提供輸入，其解決方案為用戶提供最合適的候選應用。

▲由DeepMind設計的谷歌Play Store推薦系統(tǒng)的示意圖

為了追求卓越的推薦框架，DeepMind最初給Play Store部署了一個長期短期記憶網(wǎng)絡(LSTM)，即一種能夠?qū)W習長期依賴關系的模型。但它表示，雖然LSTM帶來了顯著的精度提高，但其龐大的計算需求帶來了延遲。

為了解決這個問題，DeepMind將LSTM替換為Transformer模型，由此進一步提高了模型的性能，但是增加了培訓成本。第三個也是最后一個解決方案是一個高效的附加注意力模型，它會根據(jù)用戶的Play Store歷史記錄來判斷用戶更有可能安裝哪些應用。

為了避免偏差問題，該附加注意力模型加入了重要性加權(quán)，將印象安裝率(即一個應用程序顯示的頻率與下載的頻率之比)納入考量。通過這種加權(quán)，候選生成器根據(jù)安裝情況對Play Store上的應用程序進行減權(quán)或加權(quán)。

推薦系統(tǒng)的下一步——重新排序模型——會學習同時顯示給用戶的兩個應用程序的相對重要性。兩個應用都會被分配一個正的或負的標簽，并且該模型會嘗試最小化逆序排列的數(shù)量。

對于Play Store的優(yōu)化模型，它會試圖在次要目標約束下實現(xiàn)一個主要的推薦目標。DeepMind指出，這些目標可能會根據(jù)用戶的需求而改變——例如，一個以前對住房搜索應用程序感興趣的人可能已經(jīng)找到了一套新公寓，因此現(xiàn)在對家居裝飾應用程序感興趣。然后，該模型根據(jù)推薦服務期間的目標對每個請求提出建議，并在次要目標之間進行取舍，以避免影響到主要目標。

“我們從這次合作中得出的其中一個重要結(jié)論是，在將先進的機器學習技術(shù)應用于現(xiàn)實世界時，我們需要在許多實際的約束條件下運作?！盌eepMind寫道，“因為Play Store和DeepMind團隊緊密合作，每天都有交流，所以我們能夠在算法設計、實現(xiàn)和最終測試階段考慮到產(chǎn)品的需求和約束，從而創(chuàng)造出更成功的產(chǎn)品?！?/p>