某机构在RecSys大会：评估、偏见与算法
某机构学者Pablo Castells谈推荐系统研究中的趋势。
作者：Larry Hardesty
2021年9月24日
5分钟阅读
会议
RecSys 2021
某机构科学家发表论文的某些会议讨论的主题——如计算机视觉或自然语言处理——早在实际应用成为可能之前就已是科学研究的对象。
ACM推荐系统会议（RecSys）不属于此类会议。推荐系统——如同在某某商店中向客户推荐产品的系统——很大程度上是互联网时代的产物。
“RecSys的行业参与度非常高，”某机构学者、马德里自治大学计算机科学副教授、本届RecSys高级程序主席及博士项目主席Pablo Castells表示，“我认为它比我通常关注的其它会议参与度更高。但我职业生涯大部分时间在学术界，我一直以非常学术的方式从事推荐研究。我认为可以抽象出问题本身，处理数学问题，用小数据做实验等。”
Castells认为当今该领域有三个特别值得关注的主题：评估、偏见与算法。
评估
“如何判断推荐系统是否正常工作？”他说，“这是一个广泛的问题，在线处理时有其自身挑战，比如在生产系统中通过A/B测试等。离线解决甚至更难。我认为近期的一个趋势是，推荐系统的客户不仅是最终消费者，还包括卖家或提供推荐的服务本身。因此，算法的有效性应从不同角度衡量，考虑推荐中涉及的不同利益相关方。”
Castells解释说，即使针对特定客户，衡量推荐系统性能的方式也未必明确。“推荐系统有效不仅在于它准确预测你喜欢什么，而在于它提供的内容是否有用。什么对你有用取决于上下文，也取决于目的。例如，我想听熟悉的喜欢音乐，还是想发现新音乐，这两者不同。推荐的价值是多方面、多维度的。过去一二十年人们对此的认识有所提高。”
“这也关联到另一个视角，即认识到推荐系统既试图让用户满意，又需要向用户学习。当你向用户推送一组产品时，有两个目的：一是取悦用户，二是学习更多，通过学到的知识在未来做出更好的推荐。实际上，这两个目标并不总是一致。”
偏见
Castells表示，偏见包括但不限于近期AI领域紧迫的公平性问题。“偏见是一个非常普遍的问题，有多个不同角度。偏见可能使系统失效，因为你反复推荐相同内容。它也可能扰乱你的测量。如果实验中存在偏见，可能得出错误结论，导致决策次优。偏见也与公平性相关。在在线零售环境中，你是否公平地为所有供应商推荐了足够多的产品？我认为这是当前最重要的研究课题之一。”
“通常，公平性问题没有单一的、绝对的解决方案。我认为最重要的是提高对偏见的意识。如果你对偏见和不公平有良好的意识，可能已经接近解决方案了，即使它并不完美。”
算法
在算法方面，“深度学习似乎正在接管先前的领先者和现有算法，”Castells说。“当数据包含丰富的侧面信息以及特定类型的推荐（如涉及序列的推荐）时，会有改进。但在更通用的任务中，比如纯协同过滤，有时发现更简单的算法与深度学习表现相当。”
Castells说，部分原因可能是“在推荐领域，人类行为可预测性和可基准化程度较低，而且惊喜本身具有价值。”在这方面，他指出协同过滤——基于购买档案相似的其他客户的过往购买记录向当前客户提供推荐——具有优势。
“这允许你做出用户不那么可预测的推荐，”Castells解释道。“你不是推荐更多相同的东西。如果只使用产品描述或用户人口统计信息，可能倾向于向用户推荐同样的东西。而如果发现人与人或产品与产品之间的模式，就能走得更远，有时甚至带来惊喜。并且可以在算法中显式地加入额外的推动力，以达到更新颖的选择。”
当然，鉴于深度学习在其他领域的成功，低估它在推荐领域的潜力将是错误的。
“在会议论文集中很难看到关于哪种算法最佳的结论性答案，因为RecSys上发表的大部分内容基于公开数据，该领域在实验标准、可复现性和基准测试方面仍需改进，”Castells解释说。“众所周知，深度学习通常需要海量数据才能达到最佳状态。在会议中，最常见的实验数据非常有限，也许那不是深度学习表现最佳的实验类型。”
“所以我的印象是，哪种算法方法最好的问题仍未解决。我还没看到大家一致认为‘是的，忘记线性矩阵分解，忘记k近邻，你需要做深度学习’。这可能取决于应用、数据，甚至实验配置。也许明年会达成这一共识，但我目前还没看到。”
研究领域
搜索与信息检索
标签
推荐系统 | 负责任的人工智能FINISHED
