据外媒11月20日报道，据谷歌称，Alphabet旗下DeepMind开发的人工智能和机器学习模型架构极大地改进了Google Play应用商店的发现系统。
在今天的一篇博文中，DeepMind 详细介绍了支持Google Play 推荐引擎的合作。该应用商店每月活跃用户超过20 亿。 DeepMind 声称现在的应用程序推荐比过去更加个性化。
谷歌发言人在一封电子邮件中表示，新系统已于今年投入使用。
值得一提的是，这并不是DeepMind 团队第一次为谷歌Android 业务贡献专业知识。这家总部位于英国的子公司开发了机载学习系统，以提高Android 的电池性能，其WaveNet 系统也用于为Google Assistant 用户生成语音。此次最新合作充分体现了DeepMind与谷歌项目之间的紧密联系。 DeepMind 于2014 年1 月被谷歌以4 亿美元收购。
正如DeepMind 所解释的，Play Store 的推荐系统由三个主要模型组成：候选生成器、重新排序器和优化多个目标的AI 模型。候选生成器可以分析超过100 万个应用程序并检索最合适的应用程序，而重新排序器则从多个维度预测用户偏好。这些预测为上述优化模型提供输入，其解决方案为用户提供最合适的候选应用程序。
DeepMind设计的Google Play Store推荐系统示意图
为了追求优秀的推荐框架，DeepMind 最初在Play Store 部署了一个能够学习长期依赖关系的长短期记忆网络（LSTM）模型。但它表示，虽然LSTM 带来了显着的精度提升，但其巨大的计算需求带来了延迟。
为了解决这个问题，DeepMind 用Transformer 模型替代了LSTM，进一步提升了模型的性能，但增加了训练成本。第三个也是最后一个解决方案是一个高效的额外关注模型，该模型可以根据用户的Play 商店历史记录确定用户更有可能安装哪些应用程序。
为了避免偏见问题，额外注意力模型纳入了重要性权重，该权重考虑了印象安装率（即应用程序的显示频率与下载频率的比率）。通过此权重，候选生成器可以根据应用程序的安装状态对Play 商店中的应用程序进行减重或加权。
推荐系统的下一步是了解同时向用户显示的两个应用程序的相对重要性。两个应用程序都被分配了正标签或负标签，并且模型尝试最小化反向排序的数量。
对于Play Store优化模型，它将尝试在次要目标的约束下实现主要推荐目标。 DeepMind 指出，这些目标可能会根据用户的需求而改变。例如，以前对住房搜索应用程序感兴趣的人可能已经找到了新公寓，因此现在对家居装修应用程序感兴趣。然后，模型根据推荐服务期间的目标对每个请求进行推荐，在次要目标之间进行权衡，以避免影响主要目标。
我们从这次合作中得出的关键结论之一是，当将先进的机器学习技术应用于现实世界时，我们需要在许多实际限制下进行操作。 DeepMind 写道，由于Play Store 和DeepMind 团队紧密合作并每天进行沟通，我们能够在算法设计、实现和最终测试阶段考虑到产品的需求和约束，从而创造出更成功的产品。 （黎巴嫩）
