研究人員透過算法突破「搜尋泡泡」
紐約大學的研究人員最近研發了一種名為 Pyrorank 的算法,該算法借鑒了生態系統中的相互作用,旨在突破「搜尋泡泡」。這種人工智慧工具推薦的產品或選擇往往與已經購買或體驗過的相似,這是因為許多公司所依賴的人工智慧工具將使用者推入「搜尋泡泡」。研究人員透過減少使用者個人資料的影響並擴大推薦的範圍,從而產生更多樣化和有用的結果。
背景
當我們在尋找新的書籍、電影或餐廳時,搜尋引擎往往會推薦我們已經購買或體驗過的相似產品或選擇。這是因為現有的推薦系統根據使用者的過去購買、搜尋歷史和人口統計學等訊息,將使用者推入「搜尋泡泡」,使推薦結果偏向相似產品或選擇。這種「搜尋泡泡」的形成約束了推薦系統的多樣性和有效性。
Pyrorank 算法
Pyrorank 算法是一種基於自然界生態系統相互作用的算法,它考慮了使用者所尋求的內容,同時減少了使用者已經購買或互動過的內容的重要性。這種算法作為現有推薦系統的一種「附加功能」存在,相對於替換整個推薦系統來促進多樣性,它具有高度的適應性,可以節省工程師的工時。
研究成果
研究人員使用多個大資料集進行了算法的測試,包括 MovieLens(使用者生成的電影評分資料),Good Books 和 Goodreads(讀者的書籍評分資料)。他們發現,使用 Pyrorank 算法的系統生成的推薦結果比現有推薦系統更為多樣化,從而突破了「搜尋泡泡」。同時將 Pyrorank 應用於現有的推薦系統會降低預測準確性,但這種平衡可以根據具體情況進行調整,以在增加推薦結果的多樣性的同時最小化準確性的損失。
深入討論
這項研究的結果令人鼓舞,它提供了一種突破「搜尋泡泡」的方法,從而為使用者提供更多樣化且有用的推薦結果。現有的推薦系統的局限性已經變得顯而易見,例如將政治偏見派系引導到與其現有觀點一致的新聞內容以及傳遞自傷影片給易受傷害的個體。因此發展出能夠最佳化推薦和搜尋多樣性的算法非常重要。
建議與展望
為理解決現有推薦系統的約束和負面影響,研究人員提出了 Pyrorank 算法,該算法在保持核心推薦目標的同時透過減少使用者已購買或互動內容的重要性,增加了推薦結果的多樣性。然而這種平衡是可以調整的,因此在不同的用例中可以根據情境進行調整。在實施這種算法時,需要更加注重推薦和搜尋系統的多樣性,以確保使用者獲得更富有新意、令人滿意的推薦結果,同時最大程度地減少搜尋泡泡對使用者的影響。
總而言之,Pyrorank 算法的研發為突破「搜尋泡泡」提供了一個可行的解決方案,將有助於提升推薦系統的效果和使用者體驗。這項研究還提醒我們,在開發人工智慧算法時,從自然界中尋找靈感和解決方案是一個值得嘗試的方法,因為自然界中的生態系統往往能找到最適合、同時又簡單的解決方案。