Google 調教了人工智慧，讓你想要的 App 來找你 2｜靈感早讀

Google 為了讓大眾發掘商店更多有趣應用，在人工智慧方面下足了功夫。AppSo（公眾號 AppSo）本次獲得授權翻譯系列文章，告訴你 Google 如何調教人工智慧，讓 Google Play 為你精準推薦 app。系列文章共有 3 篇，本文第 2 篇。

在本系列的第一篇文章中，我們利用機器學習演算法把 Google Play 應用商店搜索功能打磨得更加人性化，使得更多應用在搜索時被發掘。

在這篇文章里，我們討論如何利用你下載和使用過的 app，在機器學習演算法的幫助下為你提供 app 私人推薦。

根據搜索主題提供最佳結果，只是我們服務大眾的目標之一，而推薦更有用、更相關的應用給大眾，也是我們的 app 挖掘團隊的重要目標。

為了針對私人推薦應用，必須把大家的口味考慮在內，如果不這麼做，每個人看到的「你也許喜歡」推薦欄目將會雷同。

挖掘每個人的口味差別，除了需要了解一個 app 是做什麼的，還得分析每個人使用 app 的場景。例如，對於一個科幻遊戲死忠，相似的遊戲推薦也許會讓他感興趣，但如果某人安裝了一個健身 app，繼續推薦五個健身 app 還不如推薦一個健康食譜 app。

鑒於人們更偏愛與現有應用互補的 app，我們除了推薦主題相符的 app（相似的應用），還推薦關係互補的 app（你也許還喜歡）。

在你安裝前與安裝 app 時，都會有「相似的應用」與「你也許還喜歡」的推薦。

App 之間的相關程度也是分析使用情景的重要指標之一。例如，一個搜索與安裝不少高畫質遊戲的玩家，更傾向畫質強的遊戲。

所以當這個玩家安裝了一款賽車遊戲，「你也許還喜歡」會把畫質強的遊戲推薦排在前頭。這種程度的私人推薦十分有效，因為應用的特點與玩家的偏好相契合。

為了在相似應用方面做推薦，我們採用了兩種方法：

• 生成推薦應用：除了相似應用推薦，這個方法會生成其它人下載的潛在相關應用。
• 排序推薦應用：利用機器學習演算法重排推薦應用的呈現順序。

生成推薦應用

演算法在尋找相關性強的應用時，通常轉化為一個鄰近值查找問題：假設有一個應用 X，求得離這個應用 N 個最近的結果。通過數據統計可以簡單地解決這個問題，例如很多人安裝了 X 和 Y 應用，那麼 Y 就是 X 的候選推薦應用。

然而這個問題棘手的地方在於，機器學習演算法要處理的數據龐大，想讓演算法高效地學習與生成結果十分困難。如今 Google Play 有超過一百萬個應用，那麼要處理的數據將超過一萬億。

為了解決數據龐大的問題，我們訓練了一個深度神經網路演算法，根據你已安裝的應用預測下一個要安裝的應用。這個演算法的訓練結果，直接代表你所偏好的應用類型，達到數據空間降維效果，如此一來在訓練結果中進行鄰近值搜尋，便能大大減少演算法的計算量。

AppSo（公眾號 AppSo）註：舉個不嚴謹的例子，想找一款遊戲既要風格可愛，又要玩法休閑，還不如直接從消除遊戲里挑選快。

排序推薦應用

上述演算法只是生成候選的推薦應用，而我們的目的是給候選應用的相關度打分再做排序，使得排序結果既符合你的偏好，也與你所安裝的應用相關。

為了實現這個目標，我們把推薦應用的特徵提取出來，利用另一個演算法根據即時情境（你的地域、語言、搜索內容等等）來預測你對推薦應用的接受程度。

為推薦應用重新排序，與篩選推薦應用的價值一樣巨大，是你在商店中發掘應用的重要途徑之一。相比未排序的推薦，「你也許還喜歡」中的應用安裝率上升了 20%，而這個過程無人察覺。

在本系列文章的第三篇中，我們將討論如何利用機器學習演算法，解決搜索與私人推薦功能被惡意利用的難題。

致謝

以上研究是 Google Play 團隊與 Halit Erdogan、Mark Taylor、Michael Watson、Huazhong Ning、Stan Bileschi、John Kraemer、和 Chuan Yu Foo 的合作成果。譯者李煜陽。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！