湖北省建設(shè)廳信息網(wǎng)站,做技能培訓(xùn)和那個網(wǎng)站合作好,怎么創(chuàng)建小程序商店,dw做汽車網(wǎng)站某中心在RecSys#xff1a;評估、偏見與算法 某中心學(xué)者Pablo Castells談?wù)撍谕扑]系統(tǒng)研究中觀察到的趨勢。 一些會議#xff08;如計算機視覺或自然語言處理#xff09;涉及的主題#xff0c;在其實際應(yīng)用可能性出現(xiàn)之前很久就已經(jīng)是科學(xué)研究的對象了。ACM推薦系統(tǒng)大會評估、偏見與算法某中心學(xué)者Pablo Castells談?wù)撍谕扑]系統(tǒng)研究中觀察到的趨勢。一些會議如計算機視覺或自然語言處理涉及的主題在其實際應(yīng)用可能性出現(xiàn)之前很久就已經(jīng)是科學(xué)研究的對象了。ACM推薦系統(tǒng)大會RecSys則不屬于這類會議。推薦系統(tǒng)——就像在某中心商店中向顧客推薦產(chǎn)品的那些系統(tǒng)——很大程度上是互聯(lián)網(wǎng)時代的產(chǎn)物?！肮I(yè)界在RecSys的參與度非常高”某中心學(xué)者、馬德里自治大學(xué)計算機科學(xué)副教授、今年RecSys的高級程序主席兼博士項目主席Pablo Castells表示“我認為這比我通常關(guān)注的其他會議要高。但我的職業(yè)生涯大部分時間都在學(xué)術(shù)界我覺得自己一直以一種非常學(xué)術(shù)化的方式進行推薦研究。我認為可以將問題抽象出來解決數(shù)學(xué)問題用小數(shù)據(jù)進行實驗等等?！盋astells認為當(dāng)下該領(lǐng)域有三個特別受關(guān)注的話題評估、偏見和算法。評估“我們?nèi)绾未_定推薦系統(tǒng)是否正常工作”他說“這是一個廣泛的問題當(dāng)在線如在生產(chǎn)系統(tǒng)中通過A/B測試等方式解決時有其自身的挑戰(zhàn)。離線解決甚至更難。我認為這方面的一個近期趨勢是考慮推薦系統(tǒng)的客戶不僅是最終消費者也包括賣家或提供推薦的服務(wù)。因此算法的有效性應(yīng)該從不同角度、考慮推薦所涉及的不同利益相關(guān)者來衡量?！盋astells解釋說即使針對特定的客戶如何衡量推薦系統(tǒng)的性能也并不總是明確的?！巴扑]系統(tǒng)有效不僅在于它準確抓住了你的喜好基本上還在于它所提供的內(nèi)容是否有用。而對你有用的內(nèi)容取決于上下文也取決于目的。例如如果我想聽熟悉的、喜歡的音樂與我想要發(fā)現(xiàn)新音樂情況是不同的。推薦的價值是多方面、多維度的。在過去的十年或二十年里人們對這一點的認識有所增長?！薄斑@也與另一個視角相關(guān)即認識到推薦系統(tǒng)既要努力讓用戶滿意也需要向用戶學(xué)習(xí)。當(dāng)你向用戶提供一組產(chǎn)品時你有兩個目的。一個是取悅用戶。另一個是了解更多利用所學(xué)知識你可以在未來提供更好的推薦。你實際上有兩個目標而它們并不一定一致。”偏見Castells說偏見問題包含但不限于近來在人工智能領(lǐng)域變得如此緊迫的公平性問題。“偏見是一個非常普遍的問題有非常不同的角度”Castells說“偏見可能導(dǎo)致你的系統(tǒng)效率低下因為你一遍又一遍地推薦相同的東西。它也可能擾亂你的測量。如果你的實驗存在偏見你可能會得出錯誤的結(jié)論因此你的決策將是次優(yōu)的。然后偏見也與公平性有關(guān)。在在線零售環(huán)境中你是否公平地推薦了所有供應(yīng)商的足夠多的產(chǎn)品我認為這是目前最重要的研究課題之一?！薄巴ǔ９叫詥栴}沒有一個單一的、絕對的解決方案。我認為最重要的是提高對偏見和不公平的認識。如果你對偏見和不公平有很好的認識你可能已經(jīng)接近解決方案了即使它并不完美。”算法談到算法“深度學(xué)習(xí)似乎正在取代之前的領(lǐng)先者和現(xiàn)有算法”Castells說“當(dāng)數(shù)據(jù)涉及豐富的輔助信息時或者在特定類型的推薦中例如推薦涉及序列的事物時深度學(xué)習(xí)有所改進。但在更通用的任務(wù)中例如純粹的協(xié)同過濾人們有時發(fā)現(xiàn)更簡單的算法與深度學(xué)習(xí)表現(xiàn)相當(dāng)?！盋astells說部分原因可能在于“在推薦領(lǐng)域人類行為可能更難以預(yù)測和進行基準測試而‘驚喜’是有價值的?！痹谶@方面他說協(xié)同過濾——基于具有相似購買檔案的顧客的過去購買記錄為一位顧客提供推薦——享有優(yōu)勢?！斑@允許你為用戶做出不那么可預(yù)測的推薦”Castells解釋道“你不是在推薦更多相同的東西。如果你只使用產(chǎn)品本身的描述或者可能使用用戶人口統(tǒng)計數(shù)據(jù)你可能會傾向于向用戶推薦同樣的東西。而如果你在人與人之間、產(chǎn)品之間找到模式那么你可以走得更遠有時或許能帶來驚喜。你可以在算法中明確地增加一個額外的推動力超越這一點以達到更新穎的選擇?！碑?dāng)然鑒于深度學(xué)習(xí)在其他領(lǐng)域的成功低估其在推薦領(lǐng)域的潛力將是一個錯誤。“很難在會議論文集中看到關(guān)于哪種算法最好的結(jié)論性答案因為你在RecSys上看到的大部分發(fā)表內(nèi)容都是基于公開數(shù)據(jù)而且該領(lǐng)域仍需改進實驗標準、可重復(fù)性和基準測試”Castells解釋道“眾所周知深度學(xué)習(xí)通常需要海量數(shù)據(jù)才能發(fā)揮最佳效果。在會議上你最常見到的是基于有限得多的數(shù)據(jù)進行的實驗也許這不是深度學(xué)習(xí)表現(xiàn)最好的實驗類型?！薄八晕业挠∠笫顷P(guān)于哪種算法方法最好的問題仍然是開放的。我還沒有看到完全的共識認為‘是的忘掉線性矩陣分解忘掉k近鄰吧你需要做深度學(xué)習(xí)?！@可能取決于應(yīng)用程序、數(shù)據(jù)——甚至實驗配置。也許明年會達到這一點但我還沒有看到?！备嗑蕛?nèi)容 請關(guān)注我的個人公眾號 公眾號辦公AI智能小助手或者 我的個人博客 https://blog.qife122.com/對網(wǎng)絡(luò)安全、黑客技術(shù)感興趣的朋友可以關(guān)注我的安全公眾號網(wǎng)絡(luò)安全技術(shù)點滴分享