为什么新上映的电影AI能精准掐中你的“心动点”？

深夜打开网络视频平台，百无聊赖地向下滑动屏幕，突然，某部新电影的推荐海报或简介死死抓住了你的眼球。你毫不犹豫地点了进去。大数据显示，在流媒体巨头 Netflix 上，用户观看的内容里有高达 75% 到 80% 都是来自于系统推荐，而不是用户主动搜索的结果。但是，你有没有想过，为什么推荐系统能如此精准地击中你的心？更重要的是，当面对一部刚刚上映、还没有任何人评分的全新电影时，AI 又是如何未卜先知，知道它对你有“吸引力”的？

传统的推荐算法往往会陷入“抓瞎”的冷启动困境。为了破解这个难题，这篇论文尝试为人类的“主观吸引力”建模，开发出了一套多级吸引力模型（MLAM，Multilevel Attraction Model）。这套模型不仅能精准推荐新片，还能像读心者一样，清清楚楚地解释你究竟是被这部电影的哪一个点给撩到了。

日常生活中，选择看一部电影或者听一首歌往不需要了解它的全部。你可能仅仅是因为喜欢某一个特定的明星，就决定去看整部电影；也可能是因为一句触动心弦的歌词，就单曲循环一整首歌。这些让人瞬间沦陷的细节，就是“吸引点（Attractive Points）”。然而，传统推荐系统在这个问题上存在着天然的盲区：

（1）协同过滤（CF）：它必须依赖别的用户点赞或评分才能跟风推荐。遇到没人看过的全新内容就彻底瘫痪了。

（2）传统基于内容的推荐（CBF）：虽然能通过文本相似度推荐新内容，但它把电影当成一个死板的整体来看待，无法捕捉到那些真正让你心动的“黄金细节”。

（3）客观注意力机制：虽然近年来 AI 开始流行“注意力机制”，往往只能客观地找出一段文本里最重要的词，却忽略了吸引力因人而异的主观性（追星族看重演员，影评人看重导演）。

这部新开发的吸引力机器是如何运转的？它采用了一种 bottom-up（自底向上）的多级神经网络架构，同时从“电影剧情（文本数据）”和“演职人员（类别数据）”两个维度来围猎用户的注意力。为了直观理解，可以参考论文中展现的模型全景图：

三大核心模块：整个模型由左侧的“演员吸引力模块（Cast Attraction Module）”、中间的“用户模块（User Module）”以及右侧的“故事吸引力模块（Story Attraction Module）”共同组成。

右侧的故事过滤器（三级进化）：在最底层的词语级（Word Level），系统会用用户的专属文字滤镜过滤一句话里的词；随后在句子级（Sentence Level），将提炼出的精华融合成句子的核心意图；最后在故事级（Story Level），把真正吸引用户的核心剧情提炼出来。

左侧的演员过滤器（人脉网络）：与此同时，系统也会扫描导演、演员、编剧名单，根据用户的“追星滤镜”算出一个演员吸引力得分。

AI计算词语或句子吸引力得分时，普通的 AI处理“极大值”时容易发生数学上的指数爆炸或计算死机。为了让计算更稳健，团队巧妙地引入了一个反向平方根函数（Inverse Square Root）给得分加套一个“安全防溢安全带”：

通过调节其中的参数α，既保证了系统不会因为某些极其狂热的偏好词发生计算溢出，又能完美聚焦于真正有吸引力的亮点词汇。 最后，左右两股代表“好故事”和“好演员”的神经网络力量在顶端汇合，共同为这部电影对你的综合吸引力打出一个最终分数。

这项研究最大的魅力，就在于它超强的可解释性（Interpretability）。为了证明它真的读懂了人心，研究团队做了一个非常有趣的案例研究（Case Study）。 挑选了两位背景完全不同的用户（User 156 和 User 2163），让他们同时评价 1999 年的经典黑色幽默电影《校园风云》（Election）。系统将这两位用户各自在网络中留下的吸引力权重进行了可视化输出：

字号越大，颜色越深，代表吸引力越强。

（1）用户 156 的心动轨迹：句子层面上，他一眼就相中了第一句话，因为里面包含了“美国喜剧剧情片（American comedy-drama film）”这个代表电影类型的词；而在演员列表里，他的高光亮在了导演亚历山大·佩恩（Alexander Payne）的身上。

（2）用户 2163 的心动轨迹：恰恰相反，这位用户直接忽略了类型介绍，她被最后一句“该片获得了奥斯卡最佳改编剧本提名、金球奖最佳女主角提名……”吸引，是一个典型的奖项驱动型观众！而在演员表里，她的目光毫无悬念地落在了女主角瑞茜·威瑟斯彭（Reese Witherspoon）身上。

面对同一部电影，不同人心动的理由天差地别。而 MLAM 模型成功把这些隐秘的主观心理活动转变成了清晰可见的数字证据。当它向用户 2163 推荐这部电影时，它的后台评语不是 “你喜欢相似的电影”，而是“这部电影有你喜欢的奥斯卡提名和瑞茜·威瑟斯彭！”

在对 MovieLens 1M 真实电影数据集进行的超大规模测试中，MLAM 模型不仅在常规的电影推荐中拿下了极高的准确率，针对“纯新电影”的推荐中也展现出了远超传统算法的检索召回能力。即使演员是全新的、剧情是没见过的，AI 也能凭借拆解出来的多级微观特征，拼凑出你对它产生心动的概率。 这项技术未来不仅能用在电影推荐上，还可以应用到新闻报道、学术论文推荐，甚至是音乐和图像的智能分析中。

作者简介：胡亮，同济大学计算机科学与技术学院教授、博导。研究方向涵盖人工智能、推荐系统、机器学习、深度学习与数据科学。入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。 

ORCID：0000-0001-8588-2177。

DOI：10.24963/ijcai.2018/472