DeepMind揭露Google Play程式推薦背後的關鍵

Alphabet旗下的人工智慧公司DeepMind不只會下棋或玩遊戲，該公司也把機器學習與人工智慧技術應用在改善各式服務上，例如減少冷卻資料中心的用電量，或是延長Android裝置的電池續航力，本周DeepMind則說明了Google Play如何藉由該公司的技術來推薦程式予使用者。

DeepMind說明，Google Play支持著全球最大的推薦系統之一，有些使用者是直接到Google Play搜尋想要的程式，有些使用者則是單純瀏覽該服務以尋找有趣或新的程式，為了提供更豐富且個人化的體驗，Google Play團隊會根據使用者過去的偏好來推薦程式，但中間有許多細微的差異，例如對於科幻遊戲的玩家來說，推薦其它科幻遊戲可能是正確的，但對於安裝旅遊程式的使用者而言，推薦翻譯程式可能更符合他們的需求。

於是DeepMind即與Google Play團隊密切合作，且Google Play已在今年部署了由DeepMind建置的推薦系統。

現在Google Play的推薦系統主要由3個模型組成（下圖，來源：DeepMind），分別是候選生成器、重新排序，以及針對不同目標最佳化的模型，先由候選生成器自上百萬種程式中找出最適合使用者的少許程式，再根據使用者的偏好替這些程式排序，之後建立整合關聯性、熱門程度與個人偏好等目標的最佳推薦。

DeepMind指出，他們除了必須在現實環境的約束之下導入機器學習技術之外；也會避免候選程式生成程序時所產生的偏差，例如不只仰賴程式出現的次數，還會根據每個程式的出現次數與安裝次數的比例來減少誤差；另也改善了針對個別使用者的程式推薦排序能力，以更準確地預測使用者的需求；同時發展一套新的演算法，以在各種目標之間找到折衷。

要在規模龐大的Google Play上導入機器學習帶來許多研究上的挑戰，因為研究人員必須在有許多實體限制下的環境作業，在設計、導入或測試演算法時必須把產品需求及限制納入考量，這使得DeepMind與Google Play團隊必須每天進行溝通，才得以造就今日的Google Play推薦系統。