11月20日消息，据国外媒体报道，据谷歌称，Alphabet旗下子公司DeepMind开发的人工智能和机器学习模型架构已经极大地改善了Google Play应用商店的发现系统。
在今天的一篇博文中，DeepMind详细介绍了该项旨在支持Google Play推荐引擎的合作。这个应用商店每月活跃用户量超过20亿。DeepMind声称，应用程序推荐现在已经变得比过去更加个性化。
谷歌的发言人在电子邮件中称，该新系统已于今年部署到位。
值得一提的是，这并不是DeepMind团队第一次为谷歌的Android业务贡献自己的专业技术。该总部位于英国的子公司曾开发机载学习系统来提高Android的电池性能，它的WaveNet系统也被用来生成语音，提供给Google Assistant语音助手用户。最新的合作则充分体现了DeepMind与谷歌旗下项目之间的紧密联系。DeepMind于2014年1月被谷歌斥资4亿美元收归门下。
正如DeepMind所解释的那样，Play Store的推荐系统包含三个主要的模型：一个候选生成器、一个重新排序器和一个用于优化多个目标的AI模型。候选生成器可以分析100多万个应用，并检索出当中最合适的应用，而重新排序器则从“多个”维度预测用户的偏好。那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。
▲由DeepMind设计的谷歌Play Store推荐系统的示意图
为了追求卓越的推荐框架，DeepMind最初给Play Store部署了一个长期短期记忆网络(LSTM)，即一种能够学习长期依赖关系的模型。但它表示，虽然LSTM带来了显著的精度提高，但其庞大的计算需求带来了延迟。
为了解决这个问题，DeepMind将LSTM替换为Transformer模型，由此进一步提高了模型的性能，但是增加了培训成本。第三个也是最后一个解决方案是一个高效的附加注意力模型，它会根据用户的Play Store历史记录来判断用户更有可能安装哪些应用。
为了避免偏差问题，该附加注意力模型加入了重要性加权，将印象安装率(即一个应用程序显示的频率与下载的频率之比)纳入考量。通过这种加权，候选生成器根据安装情况对Play Store上的应用程序进行减权或加权。
推荐系统的下一步——重新排序模型——会学习同时显示给用户的两个应用程序的相对重要性。两个应用都会被分配一个正的或负的标签，并且该模型会尝试最小化逆序排列的数量。
对于Play Store的优化模型，它会试图在次要目标约束下实现一个主要的推荐目标。DeepMind指出，这些目标可能会根据用户的需求而改变——例如，一个以前对住房搜索应用程序感兴趣的人可能已经找到了一套新公寓，因此现在对家居装饰应用程序感兴趣。然后，该模型根据推荐服务期间的目标对每个请求提出建议，并在次要目标之间进行取舍，以避免影响到主要目标。
“我们从这次合作中得出的其中一个重要结论是，在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的约束条件下运作。”DeepMind写道，“因为Play Store和DeepMind团队紧密合作，每天都有交流，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的需求和约束，从而创造出更成功的产品。”
