GooglePlay如何设计推荐系统？GoogleAI首席研究员纪怀新告诉你

现今每个人几乎都与智慧装置不离身，不论是智能手机、平板电脑、笔电还是传统桌电，都是如此。但不管是打开手机还是电脑，在浏览App商店、网购网站或其他网页时，总会希望页面呈现的是自己有兴趣的项目。而目前能满足这个需求的技术之一，就是推荐系统（Recommendation Systems）。Google AI首席研究员纪怀新于7月4日访台时，分享了自己在Google研究推荐系统的心得。

建立个人化推荐系统的困难

纪怀新表示，个人化是建立推荐系统的首要条件，因为每个人喜好不同，会浏览的项目也就不同，如果给两个兴趣截然不同的人推荐相同商品，那推荐就没意义了，因此个人化是打造推荐系统的第一要件。但是，要推荐什么样的产品给使用者，对开发人员来说是一大挑战。

首先，庞大的产品数量就是一个问题，纪怀新以Google Play商店的应用程序推荐为例，他说，在Google Play中的应用程序超过100万个，而且有上亿个来自190国的使用者，光是去年就有820亿的下载次数，这样庞大的资料要做到个人化推荐，不只需要复杂的算法，还需要能应付这些运算的硬件设备。不过他表示，就方法来说，深度学习正好能处理庞大的数据，而在Google研发推荐系统的研究人员，也采用这个方法来精进推荐系统。

再来，个人化推荐系统的另一个问题，就是情境（Context）。情境不同，使用者想要的推荐内容也就不一样。纪怀新举例，有些人喜欢用平板装置看电影，手机则用来看YouTube之类的影片，而这些人在不同装置上想下载的App就会不一样，而对于推荐需求，也会有所不同。

但纪怀新认为，个人化推荐系统将情境因素纳入考量后，最困难的部分就在于“时间”。比如，一个人在白天时，较常用新闻或理财类的App，晚上则喜欢用游戏类App来放松；又或者今年流行精灵类的游戏App，明年流行策略性质的战争游戏。这种动态性的变化，让打造个人化推荐系统的难度又更高了。

建立个人化推荐系统的关键

综合以上三点，纪怀新表示，Google用来建立个人化推荐系统的方式，就是将使用者与情境、App项目和时间点来配对。而他也强调，要提升推荐品质，就必须平衡幂次定律（Power Law）带来的影响。

幂次定律指的是在一个事件的发展中，其规模与次数成反比，也就是规模越大，次数就越少。而以网络服务的角度来说，幂次定律指的是20％的使用者产生了80％的资料量。也因为幂次定律带来不平衡的分布状态，纪怀新表示，Google团队在做推荐系统时，会重新平衡分布情况（如下图）。

他指出，重新平衡不同使用频率的推荐系统，让Google Play上应用程序的安装率提高3.3％。

个人化推荐系统的研究方向

纪怀新认为，要精进个人化推荐系统，必须注重“因果关系”，而不是只考量变数与变数之间的相关性（Correlation）。他解释，许多统计和计算研究员，常将焦点摆在相关性，但在推荐系统里，应该要思考因果关系，也就是事件B是否由事件A造成。如果某人因为推荐系统的建议，而做了某些动作，“这就是我们要知道的。”

不过他也提到，在过去4、5年里，自己一直在思考如何解决因果关系的难题，后来发现“重复出现”（Recurrence）是关键。他表示，重复出现在自然界中很常见，不论是空间还是时间，而从神经网络的模型来看，也有类似概念，比如Recurrent units，也就是将输入-输出的值，再当作输入的值，重复使用，就像时钟一样。纪怀新举例，这就好像一个使用者固定每天晚上九点看新闻，而开发人员只要掌握这一点，就能了解因果关系，做出更好的推荐系统。