Google 调教了人工智能，让你想要的 App 来找你 2 | 灵感早读

Google 为了让大众发掘商店更多有趣应用，在人工智能方面下足了功夫。AppSo（公众号 AppSo）本次获得授权翻译系列文章，告诉你 Google 如何调教人工智能，让 Google Play 为你精准推荐 app。系列文章共有 3 篇，本文第 2 篇。

在本系列的第一篇文章中，我们利用机器学习算法把 Google Play 应用商店搜索功能打磨得更加人性化，使得更多应用在搜索时被发掘。

在这篇文章里，我们讨论如何利用你下载和使用过的 app，在机器学习算法的帮助下为你提供 app 私人推荐。

根据搜索主题提供最佳结果，只是我们服务大众的目标之一，而推荐更有用、更相关的应用给大众，也是我们的 app 挖掘团队的重要目标。

为了针对私人推荐应用，必须把大家的口味考虑在内，如果不这么做，每个人看到的「你也许喜欢」推荐栏目将会雷同。

挖掘每个人的口味差别，除了需要了解一个 app 是做什么的，还得分析每个人使用 app 的场景。例如，对于一个科幻游戏死忠，相似的游戏推荐也许会让他感兴趣，但如果某人安装了一个健身 app，继续推荐五个健身 app 还不如推荐一个健康食谱 app。

鉴于人们更偏爱与现有应用互补的 app，我们除了推荐主题相符的 app（相似的应用），还推荐关系互补的 app（你也许还喜欢）。

在你安装前与安装 app 时，都会有「相似的应用」与「你也许还喜欢」的推荐。

App 之间的相关程度也是分析使用情景的重要指标之一。例如，一个搜索与安装不少高画质游戏的玩家，更倾向画质强的游戏。

所以当这个玩家安装了一款赛车游戏，「你也许还喜欢」会把画质强的游戏推荐排在前头。这种程度的私人推荐十分有效，因为应用的特点与玩家的偏好相契合。

为了在相似应用方面做推荐，我们采用了两种方法：

• 生成推荐应用：除了相似应用推荐，这个方法会生成其它人下载的潜在相关应用。
• 排序推荐应用：利用机器学习算法重排推荐应用的呈现顺序。

生成推荐应用

算法在寻找相关性强的应用时，通常转化为一个邻近值查找问题：假设有一个应用 X，求得离这个应用 N 个最近的结果。通过数据统计可以简单地解决这个问题，例如很多人安装了 X 和 Y 应用，那么 Y 就是 X 的候选推荐应用。

然而这个问题棘手的地方在于，机器学习算法要处理的数据庞大，想让算法高效地学习与生成结果十分困难。如今 Google Play 有超过一百万个应用，那么要处理的数据将超过一万亿。

为了解决数据庞大的问题，我们训练了一个深度神经网络算法，根据你已安装的应用预测下一个要安装的应用。这个算法的训练结果，直接代表你所偏好的应用类型，达到数据空间降维效果，如此一来在训练结果中进行邻近值搜寻，便能大大减少算法的计算量。

AppSo（公众号 AppSo）注：举个不严谨的例子，想找一款游戏既要风格可爱，又要玩法休闲，还不如直接从消除游戏里挑选快。

排序推荐应用

上述算法只是生成候选的推荐应用，而我们的目的是给候选应用的相关度打分再做排序，使得排序结果既符合你的偏好，也与你所安装的应用相关。

为了实现这个目标，我们把推荐应用的特征提取出来，利用另一个算法根据即时情境（你的地域、语言、搜索内容等等）来预测你对推荐应用的接受程度。

为推荐应用重新排序，与筛选推荐应用的价值一样巨大，是你在商店中发掘应用的重要途径之一。相比未排序的推荐，「你也许还喜欢」中的应用安装率上升了 20%，而这个过程无人察觉。

在本系列文章的第三篇中，我们将讨论如何利用机器学习算法，解决搜索与私人推荐功能被恶意利用的难题。

致谢

以上研究是 Google Play 团队与 Halit Erdogan、Mark Taylor、Michael Watson、Huazhong Ning、Stan Bileschi、John Kraemer、和 Chuan Yu Foo 的合作成果。译者李煜阳。

延伸阅读：
Google 开发者（公众号谷歌开发者）：Google 发布 AIY 项目，让你来 DIY 人工智能

本文由让手机更好用的 AppSo 授权翻译出品，关注公众号 AppSo，回复「智能时代」告诉你，人工智能时代，怎么设计才能做出好产品。