你和你的好友，正在免费帮微信训练神经网络

贾浩楠 2020-08-31 17:55:54 来源：量子位

贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI

你和你的好友，正在免费帮微信训练神经网络。

不仅如此，微信的这项新研究，让你和朋友之间，更加潜移默化的互相影响。

不知不觉，你有机会更加了解了朋友的喜好，自己潜在的兴趣点，也有更大可能被挖掘出来。

以前是和好友一起吃饭、逛街，以后，可能是一起刷朋友圈了。

你的微信好友，本质是信息过滤器

这怎么说？

其实，我们大部分人在刷朋友圈或公众号时，很少抱着强烈的目的性。

用户基本不会像使用百度一样，专门为某一个东西进行有目的的搜索浏览。

这意味着，你看到的内容，有很大的随机性。

那么，怎么样才能“投你所好”，给你推荐更有趣的内容，并且在推荐过程中，突出社交特征，让你和好友们互相分享爱好呢 ？

在一项北京邮电大学和微信共同研究中，提出了一种新型的神经网络SIAN（Social Influence Attentive Neural Network），社交影响导向的神经网络。

这项研究《Social Influence Attentive Neural Network for Friend-Enhanced Recommendation》是ECML-PKDD-2020会议论文。

顾名思义，SIAN的训练采用微信朋友圈“看一看”，或其他类似平台的用户数据，而SIAN最大的特点，就是根据好友偏好，明确向用户推荐好友曾经关注或互动过的内容。

基于SIAN的好友增强推荐系统（Friend-Enhanced Recommendation，FER），只为用户推荐好友交互过的商品（读过的文章），实际上是将朋友圈的好友作为高质量信息过滤器，为用户提供可能感兴趣的内容。

与特定内容交互过的所有好友都会显式的展示给当前用户。你的哪些朋友看过这个特定内容，你都能知道。

这一特点重点利用了社交关系对人的影响，增加了用户与朋友的兴趣交流，和发现新东西的机会。

也为用户行为提供了更多的解释参考。

举个例子来说，假如在微信朋友圈的“看一看”，Jerry的推荐中，出现了一篇关于AirPods的文章， 他的好友中Tom、Lily、Jack都阅读了这篇文章。

如果是原先的推荐系统，不会以社交关系作为优先权重， Jerry看到的，可能是任意朋友“在看”，是否打开这篇文章可能完全看自己的心情。

而现在，他能精准看到混数码科技圈的达人，Tom也看了这篇文章。

那么他点击阅读的概率就会大大增加，跟朋友Tom交流相关话题的可能性也增加了。

而关于娱乐八卦的新闻，Jerry的推荐中会突出有相似偏好的朋友的“在看”，不会是搞科技数码的朋友。

这样，“看一看”功能就变成了由你的好友“把关”的内容推荐平台，你能看到你的好友兴趣所在，同时能获得相关话题的优质信息。

SIAN模型：社交关系>喜好

SIAN本质，是利用异质社交网络建模好友增强型推荐场景。

除了用户和物品的向量参数，SIAN 还通过耦合有影响力的好友与某一种物品的联系，来学习社交影响力的低维向量参数。

通过学习用户、物品和耦合的社交影响力的向量参数，SIAN最重要的功能得以实现，预测用户和物品之间交互的概率。

因为相同类型的不同对象，可能对特征聚合的贡献是不同，研究团队在SIAN中设计了分层的节点级和类型级的注意力特征聚合器。

在每个级别，注意力机制区分和捕获邻居和类型的潜在关联性，使得SIAN模型能够更精细地编码多方面的异质信息。

与之前的同类研究不同的是， SIAN不需要基于任何先验知识手动选择路径。

另外，团队设计了一个社交影响力耦合器，其用来捕获一个有影响力好友（例如 Tom）和一个物品（例如和airpod相关的文章）的联系， 从而量化这个“组合”的综合影响力程度。

最后，模型基于用户、物品以及耦合的影响力参数，将三者拼接并送入两层神经网络中，并通过一个回归层，预测得到用户-物品的交互概率 。

本质上说，SIAN是一个重社交关系而非单纯喜好的推荐系统。

在两个公开数据集（Yelp和豆瓣）以及微信“看一看”数据（FWD），研究团队进行了评估和分析。

SIAN模型明显优于对比方法。特别是和传统的推荐方法相比，SIAN模型依然表现突出，这得益于社交影响力耦合器编码各种社交因素时的能力，也这进一步证实了社交影响力在推荐系统的重要性。

SIAN模型学习得到的好友类型的平均注意力权重值，显著大于物品类型的平均注意力权重。

这表明了SIAN模型更加关注用户的社交关系，这种关注甚至超过了内容本身。这同时也验证了“看一看”好友推荐圈是好友增强推荐中最重要的因素。

除了重社交的特点，研究团队还发现了一些普通用户有趣的行为偏好。

SIAN解锁膜拜大佬新姿势

在看一看数据集上，研究团队发现了用户行为是如何受到不同属性的好友影响的。

下图的结果说明，用户行为受到更具权威性的朋友的影响， 而与用户自己的权威度无关。

同时，高权威朋友对中等权威用户具有更大的影响力。

“用户通常更容易受到权威人士的影响“，这和我们的常识也是相符的。

因此存在一个有趣的现象：人们通常更加关注“达人”、“大佬”等等权威人士的动向（或者仅仅是关注这些人本身），而不是他们自己的实际喜好。

SIAN的推荐系统，让我们膜拜大佬又有了新姿势！

当然啦，你也可能成为别人“看一看”中的“权威人士”。

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态