2024AI 在個(gè)性化中的應(yīng)用

AI在個(gè)性化推薦中的應(yīng)用首先介紹下我自己對AI發(fā)展的理解，AI它不是一個(gè)技術(shù)詞匯，更像一個(gè)廣告詞匯，它在不同階段是有不同含義的。結(jié)合行業(yè)專家經(jīng)驗(yàn)將AI發(fā)展總結(jié)為下面四個(gè)發(fā)展階段：前期階段AlexNet在圖像識別上的重大突破為標(biāo)志，AI引起了工業(yè)界或者是媒體一個(gè)巨大關(guān)注。我將其總結(jié)為數(shù)據(jù)時(shí)代，這是以大數(shù)據(jù)為基礎(chǔ)的進(jìn)展，這一階段深度學(xué)習(xí)是其代表性技術(shù)。GoogleAlphaGoOPPOOPPOPushPush我們做推薦，離不開數(shù)據(jù)，OPPOAI解。簡單介紹一下我們的數(shù)據(jù)，有結(jié)構(gòu)化的數(shù)據(jù)，用戶在API使用的一些行為統(tǒng)計(jì)、手機(jī)AIOPPOAICTR義理解相對于AI在圖像識別、語音識別由于深度學(xué)習(xí)的出現(xiàn)有巨大的提升而言并沒有很大embedding文本標(biāo)簽這一塊，OPPO由于全網(wǎng)在文本這類數(shù)據(jù)很多，訪問的各種數(shù)據(jù)都可能有，類型因此先根據(jù)url判斷它是屬于小說，然后再細(xì)分它屬于什么小說。下面主要基于深度學(xué)習(xí)方svm發(fā)明后對分類算法有很大改進(jìn)，F(xiàn)acebook提出的fastText就是直接對一個(gè)文本提取出每一個(gè)詞向量做一個(gè)平均，然后直接用softmax做分類，大多數(shù)情況不錯(cuò)，缺點(diǎn)是沒有考慮詞序，而文本詞的先后順序可能是包含巨大信息量的。后面比如CNN、RNN都發(fā)明了各CNNngram我們用到的CNN和RNN模型。CNN主要用的是TextCNN算法，如下圖所示，左邊把一個(gè)文本中、句子中的詞轉(zhuǎn)化為一filterpooling將這些特征輸入softmax函數(shù)，最后得到分類結(jié)果。不足是filter_size是固定的，設(shè)計(jì)時(shí)可以用不同filter_size，可以每四個(gè)詞或三個(gè)詞，這樣不同的filter_size相當(dāng)于利用不同的ngram特征。RNN就可以用不同的窗口，目前它也有很多算法。利用TextRNN，還有一個(gè)AttentionAttentionembeddingembedding的分類效果。而我們針對短文本，只用到詞級Attention機(jī)制?；痯ush，一個(gè)廣告主要發(fā)給李易峰的粉絲，那你得知道李易峰粉絲都喜歡那些東西，當(dāng)然配，這種強(qiáng)相關(guān)性可解釋性也很強(qiáng)。找相關(guān)性詞也有不同算法，像LDA主題模型我們也嘗試過，下圖右邊左邊是LDA結(jié)果，他確實(shí)可以把同一主題的詞聚類到一起，但是缺點(diǎn)是噪E1和E2R。token，人工篩選構(gòu)造與夫妻關(guān)展，例如句中出現(xiàn)“E_1E_2（E_1，E_2）得到正標(biāo)注。根據(jù)對“和”和“結(jié)tokenE_1E_2E_1E_2E_1E_2的婚禮”等類似應(yīng)該標(biāo)注為正的樣本。接下來講一下在強(qiáng)化學(xué)習(xí)方面的探索，強(qiáng)化學(xué)習(xí)的一個(gè)基本思想：上面是一個(gè)Agent，類actionRewardagentReward函數(shù)對設(shè)計(jì)效果Reward27者依據(jù)付費(fèi)額度進(jìn)行reward，如果Reward設(shè)計(jì)不好整個(gè)過程都不會(huì)收斂。學(xué)習(xí)算法是policygradients，針對Reward是連續(xù)值，action是