Google详细介绍了DeepMind AI在Play商店应用推荐中的角色

 
Google表示，Alphabet的DeepMind开发的AI和机器学习模型架构大大改善了Google Play商店的发现系统。 DeepMind在今天早上的博客文章中详细介绍了一项合作，以加强推荐引擎，为Play商店(每月有20亿以上的Android用户积极使用的应用和游戏市场)提供支撑。它声称，因此，应用程序推荐现在比以前更加个性化。
谷歌发言人在一封电子邮件中告诉VentureBeat，新系统已于今年部署。
值得注意的是，这不是DeepMind团队第一次将其专业知识贡献给Google业务的Android方面。这家总部位于英国的子公司创建了设备上学习系统，以提高Android电池的性能，其WaveNet系统用于生成语音，现在可将其提供给Google Assistant用户。但这特别说明了嵌入伦敦的DeepMind是如何被Google的合资企业收购的。Google在2014年1月以4亿美元的价格收购了DeepMind。
如DeepMind所述，Google Play的推荐系统包含三个主要模型：候选生成器，重新排名器和可针对多个目标进行优化的AI模型。候选生成器可以分析超过一百万个应用程序并检索最合适的应用程序，而重新排名程序可以沿“多个”维度预测用户的偏好。预测用作上述优化模型的输入，优化模型的解决方案为用户提供了最合适的候选对象。
为了追求更好的推荐框架，DeepMind最初将长期短期模型(LSTM)部署到Google Play，这是一种能够学习长期依赖关系的模型。但它表示，尽管LSTM带来了显着的准确性提高，但其庞大的计算要求却带来了延迟。
为了解决这个问题，DeepMind用Transformer模型代替了LSTM，这进一步提高了模型性能，但增加了培训成本。第三个也是最后一个解决方案是有效的附加注意力模型，该模型根据用户的Google Play历史记录来了解用户更可能安装哪些应用。
为了避免引入偏差，累加注意力模型结合了重要性加权，该重要性加权考虑到了每个应用与平均印象数相比的印象安装率(即，显示一个应用的频率相对于该应用的下载频率)。安装率。通过加权，候选生成器会根据安装在Play商店中降低应用的权重。
推荐程序管道中的下一步-重新排序模型-了解同时显示给用户的一对应用程序的相对重要性。该对中的每一个都分配有一个正或负标签，并且该模型尝试将排名倒置的次数减至最少。
至于Play商店的最佳化模型，它会尝试达到次要目标约束下的主要推荐对象。 DeepMind指出，这些目标可能会根据用户的需求而变化-例如，以前对房屋搜索应用感兴趣的人可能找到了一个新公寓，因此现在对家庭装饰应用感兴趣。然后，该模型基于在建议服务期间的目标提出每个请求的建议，并沿着曲线找到次要目标之间的权衡，以免影响第一个目标。
DeepMind写道：“我们从这项合作中获得的主要收获之一是，当在现实世界中实施先进的机器学习技术时，我们需要在许多实际的约束条件下开展工作。” “由于Play商店和DeepMind团队紧密合作并每天进行交流，因此我们能够在算法设计，实施和最终测试阶段中考虑产品要求和约束，从而使产品更加成功。”