谷歌AI推荐2024新突破！懂个性化语义，助攻电商增长。

谷歌推荐系统突破性进展：深度解析个性化语义意图识别技术

在数字信息爆炸的当下，个性化推荐系统已成为我们日常生活不可或缺的一部分，无论是新闻阅读、影音娱乐还是在线购物，其背后都离不开复杂的推荐算法。然而，当前主流推荐系统在理解用户深层、主观意图方面仍面临挑战。新媒网跨境获悉，一项由谷歌悄然发布的研究论文，为这一难题带来了突破性的解决方案，旨在通过识别个性化语义意图，大幅提升推荐的精准度和用户体验。

这项研究的核心目标是帮助推荐系统更好地理解用户与系统互动时，其言语和行为背后的真正含义。谷歌希望通过这种新方法，克服现有最先进推荐系统的局限，从而在个体层面，更精细、更详细地把握用户希望阅读、收听或观看的内容偏好。

个性化语义：从点击到意图的飞跃

推荐系统的工作原理通常是通过收集用户点击、评分、购买和观看等行为数据，然后根据这些数据来推荐更多符合用户偏好的内容。YouTube、Google Discover和谷歌新闻便是内容推荐系统的典型案例，而购物平台则提供商品推荐。

研究人员将这些传统的行为数据称之为“原始用户反馈”。尽管这些反馈在一定程度上有效，但在理解用户基于主观判断产生的偏好，例如“有趣”、“可爱”或“无聊”等，却显得力不从心。这正是现有推荐系统的局限所在。

随着大型语言模型（LLMs）的兴起，研究团队看到了一个机遇：利用自然语言互动来更好地理解用户意图，从而识别出用户所表达的语义。这正是“个性化语义”概念的直观体现。

研究人员阐述了他们的观点：“交互式推荐系统作为一种有前景的范式，正逐渐克服传统推荐系统（如点击、内容消费、评分）所使用的原始用户反馈的局限。它们允许用户以更丰富的方式表达意图、偏好、约束和上下文，通常通过自然语言（包括分面搜索和对话）来实现。”

然而，如何最有效地利用这些反馈，仍需进一步深入研究。其中一个关键挑战在于，如何从用户经常用于描述期望项目所使用的开放式术语或属性中，推断出其深层语义意图。对于那些希望支持用户以日常、直观的自然语言来优化推荐结果的系统而言，这至关重要。

“软属性”的挑战：主观判断的鸿沟

在推荐领域，存在两类属性：“硬属性”和“软属性”。“硬属性”是推荐系统能够轻松理解的客观事实，例如电影的“类型”、“艺术家”或“导演”。这些属性具有明确的“基本事实”来源，可以直接与项目匹配。

然而，真正困扰推荐系统的是那些“软属性”。这些属性具有高度的主观性，并且难以与电影、内容或产品进行精确匹配。

该研究论文对“软属性”的特性进行了如下描述：

• 没有明确的“基本事实”来源将这些软属性与项目关联起来；
• 属性本身可能具有不精确的解释；
• 它们本质上可能是主观的（即不同的用户可能对其有不同的解释）。

正是“软属性”的难题，促使研究人员展开了这项名为《使用概念激活向量在推荐系统中发现软属性的个性化语义》的研究。他们的目标正是解决推荐系统在理解用户主观偏好方面的不足。

概念激活向量（CAVs）的创新应用

概念激活向量（CAVs）是一种用于探测AI模型的方法，旨在理解模型内部使用的数学表示（向量），并帮助人类将这些内部向量与特定概念关联起来。通常情况下，CAV的应用方向是解释AI模型的运作机制。

但谷歌研究人员此次的创新之处在于，他们改变了CAV的应用方向。现在，CAV的目标不再是解释模型，而是解释“用户”，即将用户主观的“软属性”转化为推荐系统可以理解的数学表示。

研究人员发现，通过调整CAV以解释用户，能够生成向量表示，帮助AI模型检测到细微的意图和主观的人类判断，并且这些判断是针对个体用户进行个性化定制的。

正如他们在论文中所述：“我们证明……我们的CAV表示不仅能够准确解释用户的个性化主观语义，还可以通过交互式项目批判来改进推荐效果。”

例如，模型可以学习到不同用户对“有趣”的定义可能有所不同，并能更好地利用这些个性化语义来进行推荐。

这项研究旨在解决人类语言与推荐系统“思维”之间的语义鸿沟。人类以概念思考，使用模糊或主观的描述（即软属性）。而推荐系统则以数学方式“思考”，它们在高维“嵌入空间”中操作向量（数字列表）。

因此，问题就变成了如何在不修改或重新训练推荐系统的情况下，减少主观人类语言的歧义。CAVs承担了这项繁重的工作。

研究人员解释道：“……我们利用推荐系统模型本身学习到的表示来推断软属性的语义。”

他们列出了这种方法的四大优势：

1. 推荐系统的模型容量专注于预测用户-项目偏好，而无需进一步预测额外的辅助信息（例如标签），这些信息通常并不能提高推荐系统的性能。
2. 即使出现新的标签、关键词或短语来源以派生新的软属性，推荐系统模型也能轻松适应新属性，无需重新训练。
3. 该方法提供了一种测试特定软属性是否与预测用户偏好相关的方法。因此，能够将注意力集中在最能捕捉用户意图的属性上（例如，在解释推荐、引出偏好或提出批判时）。
4. 利用少量带标签数据即可学习软属性/标签的语义，这与预训练和少样本学习的精神相契合。

随后，他们对系统的工作原理进行了高层次的解释：

“从高层次来看，我们的方法工作如下。我们假设给定：(i) 一个协同过滤风格的模型（例如，概率矩阵分解或双编码器），它根据用户-项目评分将项目和用户嵌入到潜在空间中；以及 (ii) 由部分用户为部分项目提供的一小部分标签（即软属性标签）。我们开发了将每个项目与其展现软属性的程度关联起来的方法，从而确定该属性的语义。我们通过将概念激活向量（CAVs）——一种为机器学习模型可解释性而开发的新方法——应用于协同过滤模型，以检测它是否学习到了该属性的表示。这个CAV在嵌入空间中的投影为该属性提供了一个（局部）定向语义，然后可以应用于项目（和用户）。此外，该技术还可以用于识别属性的主观性质，特别是，不同用户在使用该标签时是否有不同的含义（或标签感）。这种针对主观属性的个性化语义对于在评估用户偏好时，准确解释用户真实意图至关重要。”

系统有效性验证及未来展望

这项研究的一个有趣发现是，他们对一个人造标签（“奇数年”）的测试显示，系统的准确率仅略高于随机选择，这证实了他们的假设，即“CAVs有助于识别与偏好相关的属性/标签。”

他们还发现，在推荐系统中使用CAVs有助于理解“基于批判”的用户行为，并改进了这类推荐系统。研究人员列出了四大益处：

1. 利用协同过滤表示来识别与推荐任务最相关的属性；
2. 区分客观和主观标签的使用；
3. 识别主观属性的个性化、用户特定语义；
4. 将属性语义与偏好表示关联起来，从而允许在示例批判和其他形式的偏好获取中使用软属性/标签进行交互。

研究结果表明，在软属性的发现至关重要的场景中，这种方法显著改善了推荐效果。

对于以“硬属性”为主导的场景，例如产品购物，将软属性引入其中是否能进一步提升产品推荐效果，是未来值得深入探讨的研究方向。

商业应用与市场洞察

新媒网跨境了解到，这篇研究论文发表于2024年，由于其发布方式相对低调，在搜索营销社区中并未引起广泛关注。

值得注意的是，谷歌已经将这项方法的部分理念融入了其名为WALS（加权交替最小二乘法）的算法中进行测试。WALS是谷歌云为开发者提供的实际生产代码产品。在论文的脚注和附录中提到：“在MovieLens20M数据上使用线性属性的CAVs，其嵌入是通过内部生产代码（WALS）学习的，该代码不可发布。”

“生产代码”指的是目前正在谷歌面向用户产品中运行的软件，在本例中指的是谷歌云。这表明该技术已在谷歌的实际产品环境中得到应用或测试，但可能并非Google Discover的底层核心引擎。然而，这一事实的重要性在于，它展示了该方法能够多轻松地集成到现有推荐系统中。

研究团队使用MovieLens20M数据集（一个包含2000万评分的公开数据集）对该系统进行了测试，部分测试还使用了谷歌专有的推荐引擎WALS。这进一步增强了外界的推断，即该代码可以在实时系统上使用，而无需进行重新训练或修改。

这项研究的重大意义在于，它使得推荐系统能够充分利用关于“软属性”的语义数据。谷歌将Google Discover视为搜索的一个子集，用户的搜索模式是该系统获取内容的部分数据来源。

尽管谷歌尚未明确表示是否正在其推荐系统中使用这种方法，但考虑到积极的测试结果，这种方法很有可能被引入谷歌的各类推荐系统。如果真是如此，这将意味着谷歌的推荐系统将能更准确地响应用户的个性化主观语义。

该研究论文的主要贡献方包括谷歌研究院（占据60%的贡献），以及亚马逊、Midjourney和Meta AI等行业巨头。

论文的PDF版本可在以下链接获取：《使用概念激活向量在推荐系统中发现软属性的个性化语义》。这项技术突破，无疑为未来个性化推荐系统更深层次地理解用户意图，描绘了令人期待的蓝图。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/google-ai-recs-personal-semantics-ecom-boost.html