首页微信阅读阅读科技微信文章appsolution微信公众号文章

Google调教了人工智能,让你想要的App来找你#2|灵感早读

根据搜索主题提供最佳结果,只是我们服务大众的目标之一,而推荐更有用更相关的应用给大众,也是我们的 app 挖掘团队的重要目标。
为了针对私人推荐应用,必须把大家的口味考虑在内,如果不这么做,每个人看到的「你也许喜欢」推荐栏目将会雷同。
挖掘每个人的口味差别,除了需要了解一个 app 是做什么的,还得分析每个人使用 app 的场景。例如,对于一个科幻游戏死忠,相似的游戏推荐也许会让他感兴趣,但如果某人安装了一个健身 app,继续推荐五个健身 app 还不如推荐一个健康食谱 app。
鉴于人们更偏爱与现有应用互补的 app,我们除了推荐主题相符的 app(相似的应用),还推荐关系互补的 app(你也许还喜欢)。
在你安装前与安装 app 时,都会有「相似的应用」与「你也许还喜欢」的推荐。
App 之间的相关程度也是分析使用情景的重要指标之一。例如,一个搜索与安装不少高画质游戏的玩家,更倾向画质强的游戏。
所以当这个玩家安装了一款赛车游戏,「你也许还喜欢」会把画质强的游戏推荐排在前头。这种程度的私人推荐十分有效,因为应用的特点与玩家的偏好相契合。
为了在相似应用方面做推荐,我们采用了两种方法:
  • 生成推荐应用:除了相似应用推荐,这个方法会生成其它人下载的潜在相关应用。

  • 排序推荐应用:利用机器学习算法重排推荐应用的呈现顺序。

生成推荐应用
算法在寻找相关性强的应用时,通常转化为一个邻近值查找问题:假设有一个应用 X,求得离这个应用 N 个最近的结果。通过数据统计可以简单地解决这个问题,例如很多人安装了 X 和 Y 应用,那么 Y 就是 X 的候选推荐应用。
然而这个问题棘手的地方在于,机器学习算法要处理的数据庞大,想让算法高效地学习与生成结果十分困难。如今 Google Play 有超过一百万个应用,那么要处理的数据将超过一万亿。
为了解决数据庞大的问题,我们训练了一个深度神经网络算法,根据你已安装的应用预测下一个要安装的应用。这个算法的训练结果,直接代表你所偏好的应用类型,达到数据空间降维效果,如此一来在训练结果中进行邻近值搜寻,便能大大减少算法的计算量。
AppSo(公众号 AppSo)注:举个不严谨的例子,想找一款游戏既要风格可爱,又要玩法休闲,还不如直接从消除游戏里挑选快。
排序推荐应用
上述算法只是生成候选的推荐应用,而我们的目的是给候选应用的相关度打分再做排序,使得排序结果既符合你的偏好,也与你所安装的应用相关
为了实现这个目标,我们把推荐应用的特征提取出来,利用另一个算法根据即时情境(你的地域、语言、搜索内容等等)来预测你对推荐应用的接受程度。
为推荐应用重新排序,与筛选推荐应用的价值一样巨大,是你在商店中发掘应用的重要途径之一。相比未排序的推荐,「你也许还喜欢」中的应用安装率上升了 20%,而这个过程无人察觉。
在本系列文章的第三篇中,我们将讨论如何利用机器学习算法,解决搜索与私人推荐功能被恶意利用的难题。
以上研究是 Google Play 团队与 Halit Erdogan、Mark Taylor、Michael Watson、Huazhong Ning、Stan Bileschi、John Kraemer、和 Chuan Yu Foo 的合作成果。译者李煜阳。
延伸阅读
Google 开发者(公众号谷歌开发者):
Google 发布 AIY 项目,让你来 DIY 人工智能
本文由让手机更好用的 AppSo 授权翻译出品,关注公众号 AppSo,回复「智能时代」告诉你,人工智能时代,怎么设计才能做出好产品。

免责声明:由于网络信息更新速度快、来源较多,当您在查看好东西(www.haodonxi.cn)所整理的信息时,企业的信息可能已经发生变更,请慎重核实,"好东西"不做任何形式的保证和担保。"好东西"信息来源于网络"好东西"不对内容的真实性、准确性和合法性负责,请用户慎重选择使用该信息。"好东西"业作为信息获取平台不参与用户间因交易而产生的法律纠纷,纠纷由您自行协商解决。

投诉方式:511543066@qq.com,是处理侵权投诉的专用邮箱,在您的合法权益受到侵害时,请您尽快联系悉"好东西"工作人员处理,我们会在7个工作日内给您答复,感谢您对"好东西平台"的关注与支持!

日最新精选