11月20日消息，據國外媒體報道，據谷歌稱，Alphabet旗下子公司DeepMind開發(fā)的人工智能和機器學習模型架構已經極大地改善了Google Play應用商店的發(fā)現系統(tǒng)。

在今天的一篇博文中，DeepMind詳細介紹了該項旨在支持Google Play推薦引擎的合作。這個應用商店每月活躍用戶量超過20億。DeepMind聲稱，應用程序推薦現在已經變得比過去更加個性化。

谷歌的發(fā)言人在電子郵件中稱，該新系統(tǒng)已于今年部署到位。

值得一提的是，這并不是DeepMind團隊第一次為谷歌的Android業(yè)務貢獻自己的專業(yè)技術。該總部位于英國的子公司曾開發(fā)機載學習系統(tǒng)來提高Android的電池性能，它的WaveNet系統(tǒng)也被用來生成語音，提供給Google Assistant語音助手用戶。最新的合作則充分體現了DeepMind與谷歌旗下項目之間的緊密聯系。DeepMind于2014年1月被谷歌斥資4億美元收歸門下。

正如DeepMind所解釋的那樣，Play Store的推薦系統(tǒng)包含三個主要的模型：一個候選生成器、一個重新排序器和一個用于優(yōu)化多個目標的AI模型。候選生成器可以分析100多萬個應用，并檢索出當中最合適的應用，而重新排序器則從“多個”維度預測用戶的偏好。那些預測為上述優(yōu)化模型提供輸入，其解決方案為用戶提供最合適的候選應用。

▲由DeepMind設計的谷歌Play Store推薦系統(tǒng)的示意圖

為了追求卓越的推薦框架，DeepMind最初給Play Store部署了一個長期短期記憶網絡(LSTM)，即一種能夠學習長期依賴關系的模型。但它表示，雖然LSTM帶來了顯著的精度提高，但其龐大的計算需求帶來了延遲。

為了解決這個問題，DeepMind將LSTM替換為Transformer模型，由此進一步提高了模型的性能，但是增加了培訓成本。第三個也是最后一個解決方案是一個高效的附加注意力模型，它會根據用戶的Play Store歷史記錄來判斷用戶更有可能安裝哪些應用。

為了避免偏差問題，該附加注意力模型加入了重要性加權，將印象安裝率(即一個應用程序顯示的頻率與下載的頻率之比)納入考量。通過這種加權，候選生成器根據安裝情況對Play Store上的應用程序進行減權或加權。

推薦系統(tǒng)的下一步——重新排序模型——會學習同時顯示給用戶的兩個應用程序的相對重要性。兩個應用都會被分配一個正的或負的標簽，并且該模型會嘗試最小化逆序排列的數量。

對于Play Store的優(yōu)化模型，它會試圖在次要目標約束下實現一個主要的推薦目標。DeepMind指出，這些目標可能會根據用戶的需求而改變——例如，一個以前對住房搜索應用程序感興趣的人可能已經找到了一套新公寓，因此現在對家居裝飾應用程序感興趣。然后，該模型根據推薦服務期間的目標對每個請求提出建議，并在次要目標之間進行取舍，以避免影響到主要目標。

“我們從這次合作中得出的其中一個重要結論是，在將先進的機器學習技術應用于現實世界時，我們需要在許多實際的約束條件下運作?！盌eepMind寫道，“因為Play Store和DeepMind團隊緊密合作，每天都有交流，所以我們能夠在算法設計、實現和最終測試階段考慮到產品的需求和約束，從而創(chuàng)造出更成功的產品。”