机器学习理论与应用
Chapter 1. 智能推荐系统中的机器学习
D202 星期二 17:45-20:30
1. 从信息时代到推荐时代
获取信息的方式发生变化，从通过搜索变化为一些直接的点击，通过推荐系统挖掘我们的需求。
不只是我们的日常生活，在一些意想不到的方面，例如美国总统选举，如何利用呢，通过数据分析的方式，可以对竞选的策略提供帮助，从而赢得一场选举。
对于情感分析，例如舆情分析与决策。通过点赞、转发来分析用户对于推文内容的看法，从而制定良好的竞选策略。
推荐系统的潜在风险：
- 隐私泄露：推荐系统收集了日常生活中的大量数据，例如个人信息、购物清单、历史行程、浏览记录。
- 自我决策能力缺失：生活中的很多决策都由推荐系统提供，在一些重要问题可能会缺乏自我判断和决策能力。
- 导向性推荐：向用户推荐基于某种目的的信息，从而对用户产生导向性影响。
2. 经典推荐系统算法模型
2.1 协同过滤（CF）
参考用户之间的相似关系，或者参考商品之间的相似关系。
它的具体思想很简单：
计算某一个用户和其他用户的相似度，或者计算商品之间的相似度。
在社交网站上，也有一些朋友推荐，比如可以计算未成为朋友的得分情况，从而推荐最可能成为朋友的用户。
也可以对评分进行预测，在这种情境下，为了消除各个用户高低倾向的影响，会通过减去用户打分平均值的方法，来消除个体的偏差产生的影响。
它存在一些数据特性，例如：长尾分布。最活跃的用户可能占了少部分，大多数用户都没有这么活跃，因此呈现了数据上的长尾分布特征。
因此，它可能带来一些挑战。例如：我们构建的矩阵可能会非常稀疏。从物品的角度来说也是相似的。
2.2 基于内容的过滤（CBF）
它可能导致对用户的过度刻画。
2.3 基于个人信息的推荐系统（Demographic RS）
我们也可以根据个人特征进行推荐，这样可以处理冷启动问题。但是它的推荐是粗劣的，不太常用，至少不会单独使用。
2.4 基于知识的推荐系统
它可以通过知识进行精确的推荐，但是如果存在新的商品，那么此时的推荐会出现问题。
由于每一项算法都存在一些问题，真正商用的推荐系统往往混合了各项技术。混合方法：加入权重、模型切换、模型组合，等等。
例如：通过基于个人信息的推荐系统进行初始的粗粒度的推荐，当用户存在一些历史记录以后，就适合切换到基于内容的推荐中；再使用一段时间后，就可以参考与他相似的用户，就适合使用协同过滤的方式。当积累了用户的大量使用信息之后，就可以使用混合的方式，混合前面的各种模型，混合模型的推荐结果，此时的推荐内容就会比较丰富。
3. 推荐系统的数据表征
数据复杂性所面临的挑战。
如果无法充分理解数据，就可能推荐与品牌无关，甚至产生损害的推荐。
数据表征是机器学习的基础。
推荐系统中的复杂数据：
复杂数据可能包括多种数据类型、多数据来源、社会数据、多重标准等多个因素。
对于用户-物品评分矩阵，矩阵是比较大的，可以使用矩阵分解（SVD）的方法。表征评分表的方法：基于矩阵分解的隐因子表征。
还有一种数据，比如用户和用户之间的关系，对于邻接矩阵的方法表示网络，那么它的存储也是非常大的。我们仍然可以使用矩阵分解的方式，得到网络节点的表征。
我们还可以通过图神经网络（GNN）的方法进行数据表征。
现在最热门的方法，是 2017 年提出的 Transformer 架构，它可以统一所有数据表征，成为了主流的方法。
4. 推荐系统的应用案例
Netflix，从 DVD 租赁转型为媒体科技公司。
5. 推荐系统的终身学习
推荐持续受到时间和空间的影响。
时序推荐系统。
Session 对时序进行了划分。
跨域推荐系统。
比如对于一次旅行的计划，从物品的视角出发，包括购买机票、租车、订酒店，就出现了三种推荐的目标。例如，订廉价机票的用户一般也不会预定高价酒店。从物品间的相互关系角度，例如行程目的地、住处地点之间在地址上应该是相同的，等等。对于用户群体，例如家庭旅行和商务旅行是不一样的，对于社交关系，例如可以参考朋友在当地消费情况，为某一个人进行推荐。对于物理地点，例如在香港吃了中餐，可以推测出在悉尼可能喜欢吃海鲜。对于时间角度，例如可以通过近期交易，猜测用户的具体行为。对于具体时间角度，例如早餐的偏好可以帮助推荐晚餐偏好。
协同演化环境下基于多模态终身学习的跨领域推荐系统研究。
终身学习（持续学习）：人类有能够将一个任务的知识用到另一个任务上的能力。
迁移学习。
多任务学习：在一个数据上展开多个任务进行学习。
强化学习：可以实现终身学习中的部分内容。
6. 推荐系统与时尚结合
通过 AI 技术理解时尚的变迁，可能更能把握时尚的潮流。
7. 大模型时代的推荐系统
对话推荐系统：捕获用户的动态偏好，并且基于用户的当前需求，通过多轮的实时交互。
联邦学习的方法，可以通过模型交换知识。本地数据不会给云上的大模型进行训练，而是与本地的模型参数进行交互。
跨域联邦混合专家（FL-MoE）大模型推荐系统。
8. 可控生成式推荐系统
基于大模型的 AIGC 技术日益成熟。
生成式个性化内容推荐。