DeepMind改进的Google Play Store推荐系统要点解析

2024-06-21 09:08

本文主要是介绍DeepMind改进的Google Play Store推荐系统要点解析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

点击上方“AI公园”,关注公众号,选择加“星标“或“置顶”


作者:Michelle Gong, Anton Zhernov

编译:ronghuaiyang

导读

DeepMind和Google Play合作,推动了 Play Store 的发现系统的重大改进,为用户提供更加个性化和直观的 Play Store 体验。

在过去的几年中,我们把 DeepMind 的技术应用到了谷歌产品和基础设施中,取得了巨大的成功,我们使用数据中心冷却技术减少了大量的能耗,并扩展了 Android 的电池性能。我们很高兴能与大家分享我们接下来的几个月里的工作

我们与 Google Play 商店的合作

我们知道,当用户拥有他们喜爱的应用程序和游戏时,他们就能最大限度地利用他们的手机,发现新的最爱是一件令人兴奋的事情。在与 Google Play 的合作中,我们的团队领导了与谷歌的合作,推动了 Play Store 的发现系统的重大改进,为用户提供更加个性化和直观的 Play Store 体验。

每个月,有数十亿的用户来 Google Play Store 为他们的移动设备下载应用程序,Play Store 支持了世界上最大的推荐系统之一。一些人在寻找特定的应用程序,比如 Snapchat,而另一些人在浏览商店,想看看有什么新东西和有趣的东西。Google Play 的发现团队努力帮助用户发现最相关的应用程序和游戏,为他们提供有用的应用程序推荐。为了提供更丰富、个性化的体验,应用程序会根据用户过去的偏好来推荐。然而,这需要非常细致的进行区分 — 既要理解应用程序的功能,也要了解它与特定用户的相关性。例如,对于一个狂热的科幻游戏玩家来说,类似的游戏推荐可能会很有趣,但如果用户安装了一个旅游应用,推荐一个翻译应用可能比另外五个旅游应用更相关。这些用户首选项的收集和使用由谷歌的隐私政策管理。

我们开始与 Play store 合作,帮助开发和改进系统,以确定应用程序与用户的相关性。在这篇文章中,我们将探索一些我们为实现这一目标而开发的尖端机器学习技术。今天,Google Play 的推荐系统包含三个主要模型:一个候选生成器、一个重排序机和一个针对多个目标进行优化的模型。候选生成器是一个深度检索模型,可以分析 100 多万个应用程序并检索最合适的应用程序。对于每个应用程序,重排序机(即用户偏好模型)会从多个维度预测用户的偏好。接下来,这些预测是多目标优化模型的输入,该模型的解决方案为用户提供最合适的候选方案。

在现实世界的约束下应用机器学习

改善 Google Play 的推荐系统学习用户的喜好,我们的第一种方法是使用一个 LSTM(长短期记忆)模型,这是一个在现实场景中表现很好的递归神经网络,因为它具有由于强大的更新和反向传播动能力。虽然 LSTM 带来了显著的精度提高,但它也引入了服务延迟,因为 LSTM 在处理长序列时可能在计算上非常昂贵。为了解决这个问题,我们将 LSTM 替换为一个 Transformer 模型,它可以很好地进行序列到序列的预测,并且之前在自然语言处理方面取得了很好的结果,因为它能够比其他常用的模型捕获单词之间更长的依赖关系。该 Transformer 在提高模型性能的同时,也增加了训练成本。我们的第三个也是最后一个解决方案是实现一个有效的加法注意力模型,该模型适用于序列特征的任何组合,同时具有较低的计算成本。

候选生成器去偏差

我们的模型(称为候选生成器)根据用户从 Play store 中安装的以前的应用程序来判断他们更可能安装哪些应用程序。然而,这可能会引入推荐偏差问题。例如,如果 app A 在 Play store 中显示的次数是 app B 的 10 倍,那么用户就更有可能安装它,因此我们的模型也更有可能推荐它。因此,该模型学会了一种偏差,即越是频繁显示的 app,安装的越多。

为了帮助纠正这种偏差,我们在模型中引入了重要性加权。这个重要性权重是基于每一个独立应用的打开—安装率与整个 Play store 的打开—安装率的中间值。安装率低于中值的应用程序的重要性权重将小于 1。然而,如果安装率高于中位数,即使是安装频率较低的“小众”应用程序也可能具有较高的重要性。通过重要性加权,我们的候选生成器可以根据安装率降低或提高应用程序的权重,从而缓解推荐偏差问题。

重排序推荐的改进

推荐系统通常为用户提供一系列的可能性,并以最佳或最相关的选项的顺序显示在顶部。但我们如何确保最相关的应用程序出现在列表的顶部,这样用户就不必滚动页面,或可能错过最佳选项?许多推荐系统将排名问题视为一个二元分类问题,其中训练数据要么被标记为正类,要么被标记为负类,排名者仅从这个二元标签就学会了预测概率。然而,这种“pointwise”模型,一次只对一项进行排名,不能捕捉到应用程序相和其他应用程序相关性的上下文。为了提供更好的用户体验,排名者可以根据其他候选应用程序的上下文来预测呈现项的相对顺序。

我们的解决方案,reranker 模型,学习了同时显示给用户的一对应用程序的相关重要性。我们的 reranker 模型基于一个核心观点:如果用户在商店中同时看到两个应用程序,那么用户选择安装的应用程序比他们没有安装的应用程序更贴近用户。然后,我们可以为每一对应用程序分配一个正样本或负样本的标签,而该模型试图最小化排名中的逆序数量,从而提高应用程序的相对排名。这种“pairwise”模型在实践中比 pointwise 模型更有效,因为预测相对顺序比预测类标签或安装概率更接近于排序的本质。

优化多个目标

许多推荐系统必须同时针对多个目标进行优化,比如相关性、受欢迎程度或个人偏好。我们将多目标优化问题表述为一个约束优化问题:总体目标是最大化主要度量的期望值,受次要度量期望值的约束。在在线服务期间,目标可能会根据用户的需求而改变。例如,一个用户以前对住房搜索应用程序感兴趣,现在可能已经找到了一个新的公寓,所以现在对家居装饰应用程序感兴趣。所以我们致力于一个动态的解决方案。

我们不是离线解决问题,然后把固定的模型部署上线,而是根据服务期间目标的实际价值,根据每个请求在线解决问题。我们将约束定义为相对约束,这意味着我们希望将次要目标提高一个百分比,而不是一个绝对值。这样,次要目标的任何变化都不会影响我们的求解。

我们开发的算法可以用来发现许多度量之间的权衡。在权衡曲线上找到合适的点,我们的算法可以显著提高次要度量,而对主要度量的影响很小。

团队合作

我们从这次合作中得出的一个重要结论是,在实现用于现实世界的高级机器学习技术时,我们需要在许多实际的约束条件下工作。因为 Play Store 和 DeepMind 团队紧密合作,每天都进行沟通,所以我们能够在算法设计、实现和最终测试阶段考虑到产品需求和约束,从而获得更成功的产品。

迄今为止,我们与谷歌的合作通过冷却谷歌的数据中心,减少了 30%的所需的电力,提高了谷歌的风能价值约 20%,并创建了设备上的学习系统来优化 Android 电池性能。现在谷歌助理和谷歌云平台用户遍布世界各地,我们和 Waymo 的合作研究帮助提高其模型性能,以及提高训练神经网络的效率。

—END—

英文原文:https://deepmind.com/blog/article/Advanced-machine-learning-helps-Play-Store-users-discover-personalised-apps

请长按或扫描二维码关注本公众号

喜欢的话,请给我个好看吧

这篇关于DeepMind改进的Google Play Store推荐系统要点解析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1080790

相关文章

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@

Linux系统中卸载与安装JDK的详细教程

《Linux系统中卸载与安装JDK的详细教程》本文详细介绍了如何在Linux系统中通过Xshell和Xftp工具连接与传输文件,然后进行JDK的安装与卸载,安装步骤包括连接Linux、传输JDK安装包... 目录1、卸载1.1 linux删除自带的JDK1.2 Linux上卸载自己安装的JDK2、安装2.1

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Linux系统之主机网络配置方式

《Linux系统之主机网络配置方式》:本文主要介绍Linux系统之主机网络配置方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、查看主机的网络参数1、查看主机名2、查看IP地址3、查看网关4、查看DNS二、配置网卡1、修改网卡配置文件2、nmcli工具【通用