提到推薦系統，許多人會立即想到 Netflix。🎥

Netflix 總能準確地推薦你喜歡的電影和影集，其中的秘訣就在於他們使用了一種叫做協同過濾(Collaborative Filtering, 簡稱 CF)的推薦技術。🤫

協同過濾的基本原理是利用集體智慧。💡

假設有一群志趣相投的人，他們喜歡的電影往往都很類似。如果你的一個朋友看了一部新電影並且愛不釋手，那麼很有可能你也會對這部電影愛不釋手。😍

這就是基於使用者的協同過濾的基本精神。

除了根據使用者做協同過濾，也可以根據商品做協同過濾。例如，如果你喜歡看漫威電影，如《鋼鐵人》或《雷神索爾》，那麼其他類似的漫威電影也可能會讓你躍躍欲試。🚀

協同過濾是推薦系統領域的一個重要里程碑，但協同過濾也有一些侷限性：

1️⃣協同過濾只關注一種資料，比如使用者的觀看歷史，而忽略了使用者的按讚、評論等其他回饋。使用者可能看完影片沒有按讚，並不代表他不喜歡這個影片。

2️⃣如果一個新影片沒有人看過，協同過濾就無法判斷這個影片該推薦給誰。這就是所謂的「冷啟動」問題。

3️⃣協同過濾是根據歷史資料計算出一個固定的推薦列表，不會根據使用者的即時回饋進行調整。

今天有一篇神秘論文「A Model-based Multi-Agent Personalized Short-Video Recommender System」提出了一種新的演算法，讓App可以更精準地猜測你喜歡看什麼樣的影片，目的就是讓你多刷一會影片，增加APP使用時長。📱

它的特殊之處在哪裡呢？🧐

首先，這個演算法不只關注你的觀看時間，還關注你的按讚、關注、評論等互動行為。👍

它使用多重智慧體 (Multi-agent) 作為一個團隊-論文稱多智慧體協作框架（Multi-agent Collaboration Framework），團隊裡的每個智慧體(Agent)負責觀察你的一項互動資料（例如按讚、關注等）。讓不同智慧體之間相互交流，共同決定推薦什麼影片給你。這樣可以更全面地了解你的喜好。🤝

其次，做推薦的時候，不能只盯著你看過的影片，還要研究你沒看過的影片。比如你看了一個影片，覺得還不錯，但App裡其他類似的影片可能更合你胃口，只是系統沒推薦給你。這個演算法會模擬你對沒看過的影片的反應，這樣可以挖掘出更多你潛在喜歡的內容。💎

最後，這個演算法會隨著你的回饋不斷學習和優化，而不是一成不變。就像你的朋友越來越了解你的口味一樣，它會越來越懂你想看什麼。🎯

通過離線實驗和線上A/B測試，證明了該方法的有效性。✅

而這個框架也已經部署到一個真正的短影片平台上。

雖然論文很神秘，沒有說是哪個短影片平台，但是短影片 + 成千上萬個使用者，應該不難想像是哪個平台了吧？🤔

#大數軟體
#大數學堂
#人工智慧
#協同過濾
#多智慧體協作框架

点击图片查看原图