本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

大模型引領(lǐng)的AI 2.0，遠(yuǎn)比想象來得更加猛烈。

尤其是被認(rèn)為最先被顛覆的搜索引擎領(lǐng)域，產(chǎn)學(xué)研界都蠢蠢欲動(dòng)，對(duì)可預(yù)見的趨勢(shì)展開激辯。

(資料圖)

沒有了用戶點(diǎn)擊，內(nèi)容提供商/廣告該怎么辦？未來將靠什么來賺錢？

對(duì)話即入口的交互方式，操作系統(tǒng)是不是就無需存在了？

傳統(tǒng)的智能推薦和搜索，又該往何處去？……

帶著這些問題，CCF CTO Club最新一期CCF C3來到了小紅書，數(shù)位在推薦、搜索領(lǐng)域深耕多年的技術(shù)專家，聚焦于當(dāng)下信息分發(fā)、推薦搜索等熱議話題，進(jìn)行了分享和探討。

最終共吸引16000+人在線觀看，直播數(shù)據(jù)創(chuàng)歷史新高。接下來就帶你來一文看盡~

大模型帶來真正的個(gè)性化體驗(yàn)

ChatGPT會(huì)取代搜索引擎嗎？這個(gè)最先叩響的產(chǎn)業(yè)問題，也在會(huì)上進(jìn)行了深入的探討。

他們都對(duì)ChatGPT乃至大模型采取積極擁抱、但同樣謹(jǐn)慎審視的姿態(tài)。這其中最常提及的一個(gè)關(guān)鍵詞，就是個(gè)性化。

天津大學(xué)教授郝建業(yè)表示，傳統(tǒng)的推薦系統(tǒng)基于有限的用戶數(shù)據(jù)，通過過擬合的方式進(jìn)行相似內(nèi)容的分發(fā)，但其實(shí)無法真正了解用戶的心智變化。而有了大模型加持，能更好地理解用戶，帶來真正的智能化、個(gè)性化和人性化的體驗(yàn)。

具體提及到的一個(gè)重要價(jià)值，小紅書社區(qū)技術(shù)負(fù)責(zé)人夏侯談到了對(duì)于搜索中長(zhǎng)尾問題的應(yīng)用。

傳統(tǒng)的通用搜索中長(zhǎng)尾信息不足，這種情況下ChatGPT可以自動(dòng)生產(chǎn)內(nèi)容補(bǔ)充，以滿足更多個(gè)性化需求。正如New Bing中制定菜譜、旅行計(jì)劃等。

事實(shí)上，這恰好與小紅書的搜索方式不謀而合。更多通用搜索不能解決的長(zhǎng)尾問題，在小紅書上都能找到答案。基于此，也構(gòu)成了小紅書不同于其他搜索的本質(zhì)區(qū)別。

小紅書技術(shù)副總裁風(fēng)笛在現(xiàn)場(chǎng)分享了他們背后推薦系統(tǒng)的技術(shù)創(chuàng)新與實(shí)踐，可謂是滿滿干貨。

據(jù)透露，目前小紅書app內(nèi)搜索用戶進(jìn)入率行業(yè)第二。產(chǎn)品形式主要是最上邊的搜索框以及下邊的信息流。內(nèi)容形態(tài)包括圖文、視頻、直播、商品等多元的內(nèi)容。對(duì)應(yīng)的機(jī)遇與挑戰(zhàn)主要來自四個(gè)方面：

多模異構(gòu)內(nèi)容推薦、去中心化分發(fā)、興趣多樣性和人群破圈、成本控制。

首先圍繞場(chǎng)景特點(diǎn)，包括多模異構(gòu)內(nèi)容以及雙列的產(chǎn)品形態(tài)。風(fēng)笛坦言，雙列的方式并非是一個(gè)高效的產(chǎn)品形態(tài)，是因?yàn)榻o到用戶可選擇的權(quán)利才堅(jiān)持到現(xiàn)在。

但推薦或搜索本質(zhì)上是高效的信息分發(fā)和信息匹配。小紅書又是如何解的呢？

實(shí)際設(shè)計(jì)上主要包括三個(gè)方面：從多元異構(gòu)價(jià)值對(duì)齊公式到模型融合的轉(zhuǎn)變；流量分配測(cè)，從PID到在線流量匹配；重排側(cè)，則主要是Whole Page重排。

具體到多模態(tài)內(nèi)容理解這一方面，傳統(tǒng)人工定義的層次化標(biāo)簽，無法完整刻畫圖文和視頻內(nèi)容。

風(fēng)笛透露，他們技術(shù)團(tuán)隊(duì)基于10億量級(jí)的圖文、視頻筆記進(jìn)行多模態(tài)預(yù)訓(xùn)練，隨后運(yùn)用到推薦系統(tǒng)中，獲得內(nèi)容的向量化表征。未來將打通內(nèi)容表征和行為表征，兩域聯(lián)合建模。

另一個(gè)公認(rèn)的技術(shù)挑戰(zhàn)來自新內(nèi)容冷啟——新內(nèi)容行為稀疏，行為表征學(xué)習(xí)不充分。他們一直在實(shí)時(shí)推薦上實(shí)現(xiàn)了分鐘級(jí)別的更新。

與此同時(shí)，在多目標(biāo)融合這塊，替換掉傳統(tǒng)人工排序公式，通過AutoML領(lǐng)域的ES算法來尋找到最優(yōu)的個(gè)性化融合參數(shù)。

在興趣多樣性方面，風(fēng)笛表示會(huì)設(shè)置各種指數(shù)遺忘策略，對(duì)用戶的實(shí)時(shí)興趣做降權(quán)，來平衡用戶的長(zhǎng)短期興趣。

除此之外，還分享了用戶增長(zhǎng)以及成本控制、算力優(yōu)化等方面的技術(shù)實(shí)踐，以及留下兩個(gè)問題探討：

如何做高效的興趣檢索？以及如何做留存建模？

搜推系統(tǒng)將往何處去？

事實(shí)上，整個(gè)工業(yè)界也都面臨著這兩個(gè)難題，而且隨著ChatGPT時(shí)代的到來，挑戰(zhàn)也更加艱巨。

人機(jī)對(duì)話將更加頻繁，在實(shí)際業(yè)務(wù)場(chǎng)景中，如何在億級(jí)商品中抽取用戶感興趣的候選商品？搜推系統(tǒng)的召回階段就非常關(guān)鍵，直接決定了后續(xù)精排階段的成功與否。

形象地來說，召回決定了精排階段的巧婦會(huì)不會(huì)面臨無米之炊。

武漢大學(xué)李晨亮教授回溯了近幾年搜推系統(tǒng)召回階段的主要進(jìn)展和主流方法，并探討了未來的前沿趨勢(shì)。

他談到，當(dāng)前召回的主要目標(biāo)，就是在保證低時(shí)延的情況下，更大地利用好用戶的場(chǎng)景信息和他的歷史行為數(shù)據(jù)。隨后重點(diǎn)談到了自深度學(xué)習(xí)興起，召回逐步經(jīng)歷了表示學(xué)習(xí)、交互式學(xué)習(xí)兩種方法。

以表示學(xué)習(xí)為例，主要有四個(gè)研究方向：雙塔模型/深度網(wǎng)絡(luò)模型、多興趣建模、長(zhǎng)尾數(shù)據(jù)處理、外部數(shù)據(jù)豐富場(chǎng)景語義，以此提煉商品和用戶的表征，識(shí)別用戶需求。

而在這兩年興起的交互式學(xué)習(xí)方面，李晨亮教授分享了他們目前的做法，簡(jiǎn)言之就是在商品側(cè)和產(chǎn)品側(cè)做交互式學(xué)習(xí)來分別提升他們的表征，進(jìn)而來優(yōu)化計(jì)算、降低開銷。

未來，低時(shí)延依舊是一個(gè)無法逾越的障礙，召回也將來到大模型Cover一切場(chǎng)景或任務(wù)，也就是多場(chǎng)景、多任務(wù)學(xué)習(xí)的一種趨勢(shì)。

用戶大模型可破之？

在主題報(bào)告分享結(jié)束后，來自中國(guó)人民大學(xué)教授徐君、天津大學(xué)教授郝建業(yè)、中科院副研究員敖翔、匯量科技首席人工智能官朱小強(qiáng)、小紅書社區(qū)技術(shù)負(fù)責(zé)人夏侯全面展望了智能推薦和搜索的未來。

首先論及的，就是大模型、AIGC的爆發(fā)帶來的機(jī)遇和挑戰(zhàn)。

搜索研究方向的徐君教授結(jié)合New Bing的例子談到大模型改變傳統(tǒng)互聯(lián)網(wǎng)的搜索習(xí)慣和廣告盈利模式。

以往是以點(diǎn)擊網(wǎng)頁排序的方式進(jìn)入到內(nèi)容提供商的網(wǎng)頁。網(wǎng)站可以依靠廣告來維持他們的運(yùn)營(yíng)。未來用戶不愿點(diǎn)擊，搜索引擎不能為網(wǎng)站引流，他們將靠什么活下去？

敖翔則表示偏樂觀的態(tài)度，他提出要積極擁抱新工具，一方面不要完全相信模型給出的結(jié)果，需要根據(jù)不同場(chǎng)景進(jìn)行評(píng)估，另一方面要多思考如何利用大模型，實(shí)現(xiàn)更多的價(jià)值。

來自工業(yè)界的朱小強(qiáng)持短期保守、長(zhǎng)期激進(jìn)的態(tài)度。短期內(nèi)，大語言模型為企業(yè)提供私有數(shù)據(jù)之外的常識(shí)；而從長(zhǎng)期來看，當(dāng)人們獲取信息方式發(fā)生變化，信息分發(fā)技術(shù)會(huì)迎來新的沖擊，原有的推薦形態(tài)和模型可能需要重新構(gòu)建，這是一把懸在我們頭上的劍。

夏侯提出未來3至5年面臨的挑戰(zhàn)：傳統(tǒng)的搜索和推薦都是基于用戶點(diǎn)擊觸發(fā)的行為模式。過去單純以用戶點(diǎn)擊而驅(qū)動(dòng)的算法分發(fā)模式，正走向用戶行為+內(nèi)容理解雙輪并驅(qū)的分發(fā)模式，能否真正實(shí)現(xiàn)搜推一體化，更好地提升用戶行為效率呢？

既然趨勢(shì)已定，智能推薦和搜索引擎又該往何處去呢？

敖翔與郝建業(yè)教授都談到了用戶大模型的趨勢(shì)。

敖翔表示不管是做什么應(yīng)用，歸根結(jié)底都是在做用戶畫像。

能不能做一些使用者的基礎(chǔ)大模型，理解用戶行為，把用戶很多數(shù)據(jù)拿出來做分析，然后去做更精準(zhǔn)的畫像。這是下一階段應(yīng)該考慮的。

郝建業(yè)教授則是談及RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）對(duì)推薦系統(tǒng)的啟發(fā)。

他談到，以往因?yàn)閿?shù)據(jù)的片面和有限，導(dǎo)致用戶獎(jiǎng)勵(lì)函數(shù)也就是興趣建模非常不準(zhǔn)。

現(xiàn)在一方面，可從跨場(chǎng)景用戶的聯(lián)合建模這個(gè)角度來思考；另一方面，基于用戶長(zhǎng)期興趣建模。將不同場(chǎng)景數(shù)據(jù)真正融合起來，去訓(xùn)練一個(gè)推薦領(lǐng)域的用戶獎(jiǎng)勵(lì)函數(shù)大模型，但這就要求企業(yè)各部門數(shù)據(jù)的打通以及數(shù)據(jù)的高質(zhì)量。

最后，針對(duì)這段時(shí)間高密度的技術(shù)爆發(fā)，每位專家都對(duì)未來的智能推薦進(jìn)行了展望。

夏侯表示如果ChatGPT代表的是一種未來的操作系統(tǒng)，那么推薦有可能變成一種底層操作系統(tǒng)的基本能力，就像今天的文檔打開或存儲(chǔ)一樣，將會(huì)反映在生活的方方面面，而非現(xiàn)在某個(gè)APP的幾個(gè)頁面。

朱小強(qiáng)和郝建業(yè)都談到了交互方式的改變。

朱小強(qiáng)則談到了交互方式的重構(gòu)，一切服務(wù)都會(huì)以新的入口的方式呈現(xiàn)。正如當(dāng)年搜索引擎誕生，圍繞在旁的是“是能力還是入口”這一思考。

此外，他還談到現(xiàn)在都在說ChatGPT代表著操作系統(tǒng)，如果更激進(jìn)一點(diǎn)的看法可能遠(yuǎn)遠(yuǎn)不止這樣，我們?yōu)槭裁催€需要操作系統(tǒng)呢？

敖翔也認(rèn)同“入口”這一觀點(diǎn)，他感嘆既然觀點(diǎn)就這么趨同了，那就得自我革命了——看準(zhǔn)了直接往里殺，別猶豫。

郝建業(yè)則表示，以往大家習(xí)慣于用鼠標(biāo)和鍵盤，現(xiàn)在變成觸屏，未來這些東西可能都不復(fù)存在。

徐君教授則朝著更多領(lǐng)域方向展開想象。以往人工智能都是從其他行業(yè)“薅羊毛”借鑒靈感，現(xiàn)在是否有可能朝著反向輸出，比如幫助了解大腦，真正變成一件科學(xué)的事情。

關(guān)鍵詞：