新账号也能被“秒读心”？

当你注册一个全新的购物、电影或音乐软件，面对空空如也的首页和系统推荐的“大路货”，一定会感到有些无聊。在人工智能领域，这被称为推荐系统的“冷启动”与“数据稀疏”死穴-如果你在平台上没有留下过任何浏览或购买痕迹，AI 到底该怎么猜出你的心思 ？

为了打破这个僵局，这篇论文提出了一个名为 HERS（异质关系嵌入推荐系统） 的全新模型 。核心思想非常具有人情味：即使你是一个完全没有历史数据的新用户，也不是一座孤岛。你的朋友们、以及你关注的商品生态，悄悄组成一个强大的“引力场”来暴露你的真实偏好 。

传统推荐算法之所以面对新用户、新商品时频频抓瞎，是因为它们只盯着一条线：“用户-商品”之间的直接历史交互关系 。研究团队指出，现实生活中的决策过程并非如此单一。他们首次将推荐系统的底层逻辑升级为包含三种复杂交织的异质关系（Heterogeneous Relations）：用户与用户（如社交圈）、商品与商品（如类别兼容性）、以及用户与商品 。为了让大家看懂这种全景式的商业社会互动，论文中绘制了一幅生动的关系网络图：

在由三种关系构成的网状世界中，目标用户 u_t（比如图中的学生群体）正面临选择。他到底会买一款安卓智能手表 i_t，还是苹果智能手表i_s？AI 此时不需要去翻看他空白的历史记录，转而查看他的用户影响力上下文（UIC）-他的同学平时都在戴什么；AI 还会看商品影响力上下文（IIC）-这两款手表与他现有的手机和电子设备是否具有良好的生态兼容度。结合周围朋友的安利和产品生态的兼容度，AI 就能在完全不知道个人历史的前提下，精准预测出他的最终选择 。

要把如此复杂的周围环境信息塞进计算机里，普通算法的计算量会暴涨。为此，团队创造性地设计了一种名为 ICAU（影响力上下文聚合单元）的核心组件，作为整个 HERS模型的“乐高积木”。组件的精妙之处在于它采用了两阶段的智能化过滤：

第一阶段（图3中的S1阶段）：算法采用了注意力机制（Attention Mechanism）。当你在朋友圈咨询某款产品时，有的人只是随口附和，而有的人是资深大牛。ICAU能够识别这些不同朋友说话的“分量”，并给他们分配不同的影响力权重α。为防止某些超级大V的意见造成计算过载，团队还加入了一个反向平方根单元（isr）来让权重的分布更加平滑和稳健。第二阶段（图3中的S2阶段）：算法设计了一个“神经网络门控（Gate）” 。它像是一个理性的自我守门人，在汇总完所有朋友、商品生态的综合建议（c_t）后，与你本身的极少量基础偏好（e_t）按比例调配，凝练成一个高维的影响力上下文嵌入向量（ICE）。通过层层级联（如图 2 所示），整个HERS系统在最顶层的Scorer（打分器）计算这两个高度精炼的环境向量，就能在千分之一秒内给出最完美的推荐得分 。

为了验证这套“不看历史看环境”的算法是不是真有奇效，研发团队在Delicious（社交书签系统）和 Last.fm（在线音乐系统）这两个极其稀疏、真实的异质关系数据集上进行了测试。在冷启动用户推荐场景下，HERS 模型比当时主流的深度神经网络模型（NFM 等）在准确率（MAP@5）上提升了 12.6% 到 26.1%！有力地证明了：即使你从未在平台上听过歌，通过深度挖掘你周围朋友的品味，AI也能完美还原你的耳朵 。

更让人惊叹的是，AI不仅算得准，还能把它的逻辑明明白白地展示给人类看。在论文的最后，团队对 Last.fm 数据集中的真实用户（User 41）购买摇滚乐队“Raised Fist”CD 的行为进行了解剖和可视化：

从图6中的复杂网络拓扑图中，可以清晰地看到User 41之所以会下单这个乐队，左侧的社交网络里有几条非常粗的亮线（例如 User 184和 User 1808的共同好友1626）正在释放巨大的社交引力；而右侧的商品网络里，Raised Fist与其他相似硬核摇滚乐队（如 Suicidal Tendencies）之间的连接粗细，也完美揭示了商品生态内部的物理捆绑力量。未来，这种 ICAU架构不仅能用来帮你挑衣服、挑歌，还能无缝迁移到用户群体行为分析、甚至是极其复杂的生物交互网络中。

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：10.1609/aaai.v33i01.33013830