當我第一次使用Google搜尋引擎的時候，我心中也有著同樣的震撼。只要輸入幾個關鍵字，就能夠得到想要的資訊？這在當時是多麼神奇的體驗！時至今日，Google更建立了2,000萬本書籍的檔案，只要輸入關鍵字，便能夠搜尋所有書籍裡面的內容。不僅如此，現在甚至連街景都能夠被搜尋，輸入關鍵字，就能看見你想去的地方。
Google所提供的搜尋服務不斷在進化，使用者對Google的預期也隨之越來越高。在過去兩年來，個人化的搜尋需求已經成長了60%，個人化的推薦系統功能儼然成為了現在使用者最需要的服務。
深度學習相挺 Google Play驚人數據分析有效率
舉例而言，在Google Play上有超過100萬個應用程式，在2017年更達到了820億的應用程式下載量，而在190多個國家中，有超過十億以上使用者在30天內曾使用Google Play。以使用者的角度來說，絕對會希望打開手機看見的就是與自身有關的資訊。若要徹底分析不同使用者的喜好、需求，再推薦相關的資訊給使用者，大家可以想像，如此龐大的資料量，將會動用到大規模的運算能量；這也就是Google必須使用深度學習來協助推薦系統建置的原因之一。另外，透過機器學習的協助，更能優化所有產品的介面。
以機器學習的角度來看，Google就是在建立一個函數，在輸入使用者資訊之後，能夠藉由運算分析得出一個結果。傳統的推薦方式是將使用者與應用程式配對，藉由使用者對於應用程式的喜好與評分，進而推測使用者偏好；這是一個二維向量的思考方式。然而，隨著單一使用者擁有多種裝置的情況逐漸普及，使用情境也開始擴大、變得複雜，形成一個由使用者、使用情境與應用程式所構成的三維向量，若又要能做到即時無延遲的推薦，勢必只有機器學習能夠解決這個問題。事實也證明，透過機器學習模型加入使用情境後，Google Play上應用程式的安裝率已有效提升了3.3%。
加入情境考量 個人化推薦系統再添挑戰
如同上文所提到，使用情境是推薦系統建構過程的一大挑戰(圖1)。一個使用者在智慧型手機與平板電腦上所習慣使用的應用程式可能大有不同，因此對於個人化推薦的需求也隨之有所改變。舉例而言，一個使用者在平板電腦上因為螢幕較大，可能有較多觀看影片、電影的需求；而在智慧型手機上，則是即時通訊與查收電子郵件的需求較多。因此，在不同設備上會有安裝不同應用程式的需求。
若是將情境因素納入個人化推薦系統的考量之後，使用者的使用時段也將成為運算的重要考量。例如，使用者在晚間或許會較偏好使用遊戲類的應用程式，早上則是對於新聞類的應用程式較感興趣。又像是前段時間流行的精靈寶可夢遊戲，在風潮過後大家使用的頻率可能相對減少。這些動態性的時間因素，也會提高個人化推薦系統的建置困難度。
加入因果關係考量 推薦系統將再加分
要建立個人化推薦系統，必須結合以上提到的使用者、使用情境、使用時段與應用程式項目綜合配對考量。除此之外，通常在單一事件中，規模將與次數成反比，也就是所謂的冪次定律(Power Law)。在Google Play的案例中，指的是有80%的資料量是由20%的重度使用者提供，如果透過傳統研究方式去設計推薦模型，會讓重度使用者的意見在系統中被考量的比重較大(圖2)。因此，在Google團隊建置推薦系統時，也必須要平衡冪次定律(Power Law)所帶來的影響。
另一方面，精進個人化推薦系統的另一要訣，是必須要重視變數間的因果關係(Causality)，而不只是考量變數之間的相關性(Correlation)。許多統計人員常將數據分析的重點擺放在相關性，這在個人化推薦系統的建置過程中是不夠的，更必須要考量變數之間的因果關係(圖3)。
在過去5年中，我持續思考著「如何判斷因果關係」這個難題。光是探討這個問題，在一年之中恐怕就有100篇以上的論文產出。雖然大部分的因果關係都是以時間為主要考量，但其實光是考量時間還不夠。真正要了解因果關係，必須執行不同的A/B測試(AB Test)，在不同的時間與情境之中，提供A或B選項讓使用者選擇。許多資料研究都是在做這件事情，用以推斷因果關係如何形成。
