# Google 调教了人工智能，让你想要的 App 来找你 1 \| 灵感早读

- 作者：李煜阳
- 发布时间：2017-07-12 07:30
- 原文：https://www.ifanr.com/app/828262

![](https://s3.ifanr.com/wp-content/uploads/2017/07/google.jpg)

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（微信公众号 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 1 篇。**

在 Google Play 上，每个月下载应用的人数超过 10 亿。大多数人会特意搜索 Snapchat 之类的应用，而另外一些人会模糊地搜感兴趣的关键字，比如「恐怖游戏」或者「自拍应用」。

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_8.jpg)

**这些按主题的模糊搜索占据 Play Store 接近一半的搜索量，所以帮助人们找到最想要的应用十分重要。**

通过主题搜索不仅是按关键字找出应用，搜索引擎还需了解一个 app 所属的主题类别。通过机器学习已经可以解决类似问题，但这种方式产生结果的好坏，取决于某个主题类别的学习样本大小。

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_5.jpg)

对于「社交应用」这类热门的话题，许多已知的 app 样本可以用来学习（这个从样本中学习的过程通常称为「训练」），而大多数主题类别的学习样本却屈指可数。

**我们此项研究的挑战，便是从一个十分有限的学习样本，和上百万个横跨数千个主题类别的 app 中进行机器学习**，这迫使我们调校机器学习技术。

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_9.jpg)

我们刚开始打算建立一个深层神经网络（DNN），训练它根据 app 名称含有的字词和 app 的内容提要去预测搜索的主题。例如，如果一个 app 的内容提要提到「非常吓人」或者「可怕」，那关联的主题便是「恐怖游戏」。

**AppSo（微信公众号 AppSo）注：**通俗但不严谨地讲，神经网络这一计算机算法，便是模拟人类大脑思考时的判断与试错过程，它可以用来分辨猫狗、识别手写字母等等。一旦给予这个算法的学习样本越大，它学习的结果越精确，**正如人类婴儿见过的猫狗越多，相应的神经刺激越多，分辨猫狗的能力越准确。**

然而，鉴于深层神经网络所需的学习容量，**对训练样本偏小的一类 app 它基本上「死记」了主题类别，对于没见过的新应用它更无法归类。**

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_10.jpg)

为了有效地解决这个问题，我们需要更多的样本给机器学习，**于是我们把思路转向「大众是如何区分 app 的主题类型」。**

相比深层神经网络，人类区分主题类别需要的数据集更少。例如，你只需看过几个「恐怖游戏」的内容摘要便可以把新的 app 归类到这一类型中。即是说，**只需看懂 app 的内容摘要，人们便能正确地从几个样本中推断出应用的主题类别。**

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_4.jpg)

**为了模拟人类区分主题类别的方式，我们尝试这种接近语义分析的机器学习方式。**我们训练了一个神经网络去学习 app 内容摘要所用的描述词汇。这个过程使用的技术，常用来根据字词预测词汇（类似输入法联想字词），例如「分享」可以联想到「图片」。

接着我们开发了一个分类器，利用上一流程总结的词汇，分辨出一个 app 的所属主题类别。现在我们只需少量样本，便能学习一个 app 的主题类别，因为机器学习的重心基本放在语义分析上。

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_7.jpg)

利用单一的分类器为所有主题分类，带来的结果是它在流行的主题上学得更多，忽视了小众主题。**为了解决这一问题，我们为每个主题类别开发了单独的分类器进行隔离调试。**

我们的技术产出了合理的结果，但有时候也会过度判断。例如，它会把 Facebook 归为「约会」类别或者把植物大战僵尸归到「教育游戏」。**为了产生更精准的分类器，我们需要更高容量和质量的学习数据。**

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_1.jpg)

于是我们把上述的系统视为一个泛筛选的分类器，把数十亿个应用主题搭配，缩减到一个更易处理的小样本列表。**接着我们搭建了一个流程，让人类评审员评估分类器的学习成果，然后把评审员认为正确的答案作为样本，反馈到学习过程中。**

**这个流程让我们从现有的学习样本中自给自足，使得分类器的结果更令我们满意。**

![](https://s3.ifanr.com/wp-content/uploads/2017/03/image00ZH.jpg)

在纠结什么才是正确答案这个问题上，我们会提前让评审员一起讨论「某某主题与某某应用是否搭配」，然后让他们为匹配程度打分，例如「相关性强」，或者「基本相关」，或者「主题不符」。

对于分歧较大的一些答案，我们发现了这些原因：可选答案相似、评审员用过的 app 不多、主题太宽泛以致于适用大多数应用。

![](https://s3.ifanr.com/wp-content/uploads/2017/03/pdf_2.jpg)

在我们解决这些难题后，评审员的意见变得较为一致，评审员选择答案的理由也更加确切。**尽管效果显著，我们有时也需接受意见不合，放弃意见始终不一的答案。**

根据上文的技术，我们实现了 Google Play 应用商城的搜索和发现功能。虽然搜索功能迄今为止令人满意，与此同时我们也利用更多样本、架构改进以及新算法，不断地探索改进的技术。**在续篇文章中，我们将讨论用户的个性化应用推荐。**

致谢

以上研究是 Google Play 团队与 Liadan O’Callaghan、Yuhua Zhu、Mark Taylor 和 Michael Watson 的合作成果。译者李煜阳、徐广宇

延伸阅读：[Google 资深研究科学家：人工智能是一种技术手段，不是魔法](http://mp.weixin.qq.com/s?__biz=MzAwODY4OTk2Mg==&mid=2652039893&idx=2&sn=f45d3aedd6d226f9cdb4b8f821ae22a9&chksm=808d4a90b7fac386eb812f4bddb58d23821aa535e73daa8010ecab1b1b18c87e9450c1e8bdb1&scene=21#wechat_redirect)

**本文由让手机更好用的 AppSo 授权翻译，关注微信公众号 AppSo，回复「翻译神器」，[获取使用人工智能的彩云小译。](http://www.ifanr.com/app/786887)**

![AppSo qrcode signature](https://s3.ifanr.com/wp-content/uploads/2016/09/AppSo-qrcode-signature.jpg)