你和你的好友，正在免費(fèi)幫微信訓(xùn)練神經(jīng)網(wǎng)絡(luò)。不僅如此，微信的這項(xiàng)新研究，讓你和朋友之間，更加潛移默化的互相影響。不知不覺(jué)，你有機(jī)會(huì)更加了解了朋友的喜好，自己潛在的興趣點(diǎn)，也有更大可能被挖掘出來(lái)。 以前是和好友一起吃飯、逛街，以后，可能是一起刷
你和你的好友，正在免費(fèi)幫微信訓(xùn)練神經(jīng)網(wǎng)絡(luò)。不僅如此，微信的這項(xiàng)新研究，讓你和朋友之間，更加潛移默化的互相影響。不知不覺(jué)，你有機(jī)會(huì)更加了解了朋友的喜好，自己潛在的興趣點(diǎn)，也有更大可能被挖掘出來(lái)。
以前是和好友一起吃飯、逛街，以后，可能是一起刷朋友圈了。你的微信好友，本質(zhì)是信息過(guò)濾器這怎么說(shuō)？其實(shí)，我們大部分人在刷朋友圈或公眾號(hào)時(shí)，很少抱著強(qiáng)烈的目的性。
用戶基本不會(huì)像使用百度一樣，專門為某一個(gè)東西進(jìn)行有目的的搜索瀏覽。這意味著，你看到的內(nèi)容，有很大的隨機(jī)性。那么，怎么樣才能“投你所好”，給你推薦更有趣的內(nèi)容，并且在推薦過(guò)程中，突出社交特征，讓你和好友們互相分享愛(ài)好呢 ？
在一項(xiàng)北京郵電大學(xué)和微信共同研究中，提出了一種新型的神經(jīng)網(wǎng)絡(luò)SIAN（Social Influence Attentive Neural Network），社交影響導(dǎo)向的神經(jīng)網(wǎng)絡(luò)。這項(xiàng)研究“Social Influence Attentive Neural Network for Friend-Enhanced Recommendation”是ECML-PKDD-2020會(huì)議論文。
顧名思義，SIAN的訓(xùn)練采用微信朋友圈“看一看”，或其他類似平臺(tái)的用戶數(shù)據(jù)，而SIAN**的特點(diǎn)，就是根據(jù)好友偏好，明確向用戶推薦好友曾經(jīng)關(guān)注或互動(dòng)過(guò)的內(nèi)容。
基于SIAN的好友增強(qiáng)推薦系統(tǒng)（Friend-Enhanced Recommendation，F(xiàn)ER），只為用戶推薦好友交互過(guò)的商品（讀過(guò)的文章），實(shí)際上是將朋友圈的好友作為高質(zhì)量信息過(guò)濾器，為用戶提供可能感興趣的內(nèi)容。
與特定內(nèi)容交互過(guò)的所有好友都會(huì)顯式的展示給當(dāng)前用戶。你的哪些朋友看過(guò)這個(gè)特定內(nèi)容，你都能知道。
這一特點(diǎn)重點(diǎn)利用了社交關(guān)系對(duì)人的影響，增加了用戶與朋友的興趣交流，和發(fā)現(xiàn)新東西的機(jī)會(huì)。也為用戶行為提供了更多的解釋參考。舉個(gè)例子來(lái)說(shuō)，假如在微信朋友圈的“看一看”，Jerry的推薦中，出現(xiàn)了一篇關(guān)于AirPods的文章， 他的好友中Tom、Lily、Jack都閱讀了這篇文章。如果是原先的推薦系統(tǒng)，不會(huì)以社交關(guān)系作為優(yōu)先權(quán)重， Jerry看到的，可能是任意朋友“在看”，是否打開(kāi)這篇文章可能完全看自己的心情。而現(xiàn)在，他能**看到混數(shù)碼科技圈的達(dá)人，Tom也看了這篇文章。那么他點(diǎn)擊閱讀的概率就會(huì)大大增加，跟朋友Tom交流相關(guān)話題的可能性也增加了。
而關(guān)于娛樂(lè)八卦的新聞，Jerry的推薦中會(huì)突出有相似偏好的朋友的“在看”，不會(huì)是搞科技數(shù)碼的朋友。這樣，“看一看”功能就變成了由你的好友“把關(guān)”的內(nèi)容推薦平臺(tái)，你能看到你的好友興趣所在，同時(shí)能獲得相關(guān)話題的優(yōu)質(zhì)信息。
SIAN本質(zhì)，是利用異質(zhì)社交網(wǎng)絡(luò)建模好友增強(qiáng)型推薦場(chǎng)景。除了用戶和物品的向量參數(shù)，SIAN 還通過(guò)耦合有影響力的好友與某一種物品的聯(lián)系，來(lái)學(xué)習(xí)社交影響力的低維向量參數(shù)。通過(guò)學(xué)習(xí)用戶、物品和耦合的社交影響力的向量參數(shù)，SIAN*重要的功能得以實(shí)現(xiàn)，預(yù)測(cè)用戶？和物品？之間交互的概率。
因?yàn)橄嗤愋偷牟煌瑢?duì)象，可能對(duì)特征聚合的貢獻(xiàn)是不同，研究團(tuán)隊(duì)在SIAN中設(shè)計(jì)了分層的節(jié)點(diǎn)級(jí)和類型級(jí)的注意力特征聚合器。
石家莊網(wǎng)站建設(shè)消息在每個(gè)級(jí)別，注意力機(jī)制區(qū)分和捕獲鄰居和類型的潛在關(guān)聯(lián)性，使得SIAN模型能夠更精細(xì)地編碼多方面的異質(zhì)信息。
與之前的同類研究不同的是， SIAN不需要基于任何先驗(yàn)知識(shí)手動(dòng)選擇路徑。
另外，團(tuán)隊(duì)設(shè)計(jì)了一個(gè)社交影響力耦合器，其用來(lái)捕獲一個(gè)有影響力好友（例如 Tom）和一個(gè)物品（例如和airpod相關(guān)的文章）的聯(lián)系， 從而量化這個(gè)“組合”的綜合影響力程度。
**，模型基于用戶、物品以及耦合的影響力參數(shù)，將三者拼接并送入兩層神經(jīng)網(wǎng)絡(luò)中，并通過(guò)一個(gè)回歸層，預(yù)測(cè)得到用戶-物品的交互概率 。
本質(zhì)上說(shuō)，SIAN是一個(gè)重社交關(guān)系而非單純喜好的推薦系統(tǒng)。在兩個(gè)公開(kāi)數(shù)據(jù)集（Yelp和豆瓣）以及微信“看一看”數(shù)據(jù)（FWD），研究團(tuán)隊(duì)進(jìn)行了評(píng)估和分析。
SIAN模型明顯優(yōu)于對(duì)比方法。特別是和傳統(tǒng)的推薦方法相比，SIAN模型依然表現(xiàn)突出，這得益于社交影響力耦合器編碼各種社交因素時(shí)的能力，也這進(jìn)一步證實(shí)了社交影響力在推薦系統(tǒng)的重要性。
SIAN模型學(xué)習(xí)得到的好友類型的平均注意力權(quán)重值，顯著大于物品類型的平均注意力權(quán)重。這表明了SIAN模型更加關(guān)注用戶的社交關(guān)系，這種關(guān)注甚至超過(guò)了內(nèi)容本身。這同時(shí)也驗(yàn)證了“看一看”好友推薦圈是好友增強(qiáng)推薦中*重要的因素。
除了重社交的特點(diǎn)，研究團(tuán)隊(duì)還發(fā)現(xiàn)了一些普通用戶有趣的行為偏好。
在看一看數(shù)據(jù)集上，研究團(tuán)隊(duì)發(fā)現(xiàn)了用戶行為是如何受到不同屬性的好友影響的。下圖的結(jié)果說(shuō)明，用戶行為受到更具權(quán)威性的朋友的影響， 而與用戶自己的權(quán)威度無(wú)關(guān)。同時(shí)，高權(quán)威朋友對(duì)中等權(quán)威用戶具有更大的影響力。“用戶通常更容易受到權(quán)威人士的影響“，這和我們的常識(shí)也是相符的。因此存在一個(gè)有趣的現(xiàn)象：人們通常更加關(guān)注“達(dá)人”、“大佬”等等權(quán)威人士的動(dòng)向（或者僅僅是關(guān)注這些人本身），而不是他們自己的實(shí)際喜好。SIAN的推薦系統(tǒng)，讓我們膜拜大佬又有了新姿勢(shì)！當(dāng)然啦，你也可能成為別人“看一看”中的“權(quán)威人士”。
|