除了介绍各种算法以外， 本书的以外一个目的是探索个性化算法在日常生活中的使用， 并进一步讨论它可能的风险和后果。
个性化算法现在已经很常见了， 比如音乐推荐， 电商网站推荐，新闻推荐等等。 相关的技术也从入门级的启发式算法（我朋友喜欢A， 那么我也可能喜欢A）到 temporal patterns， NLP或者 CV。
下面介绍一些常见的例子， 它们会在本书中作为例子反复出现。
推荐系统
本书很多例子都关于推荐系统， 一方面是它常见， 另外一方面是因为他的数据很容易搞到。 此外， 推荐算法一般都很 straightforward， 比较容易就能够搭建出一个接近 state-of-the-art 水平的算法。在推荐系统中使用的技术也容易推广到其他场景中。
为了构建推荐系统， 我们必须理解用户的喜好和物品的属性， 以此理解为什么用户会购买一个物品，而不是另外一个。 用户的喜好是主观的，和年龄， 收入，种族有关。 此外，用户喜好和物品属性都可能随着时间的变化。
基于推荐技术，在无数环境中，捕捉个体之间的差异是做出有意义的预测的关键。比如个性化健康应用中，用户的身体特征、病史或风险因素可能会有所不同；或在涉及自然语言（或对话）的环境中，用户的写作风格、个性或特定背景可能会有所不同。
个性化健康
个性化健康(Personalized health): 是个性化算法中的一个新兴领域。 在做健康判断，疾病预测，心率监控的时候， 算法必须结合使用者本人的健康特征， 否则给出结果的价值就会大打折扣。
个性化健康的一个典型应用是： 预测病人下次看医生的时候， 会有什么症状。 这个应用非常类似推荐系统：预测病人与某种刺激（疾病症状）之间随着时间变化的互动关系(Yang et al., 2014)。 此类任务的技术借鉴了推荐系统的思想，尤其是时间和顺序推荐（temporal and sequential recommendation），我们会在第 7 章中介绍他们。
此外，个性化健康还包括： 预测手术时间s (Ng et al., 2017)， 预测心率对物理刺激的变化(Ni et al., 2019b)， 药物分布动力学(Ingrande et al., 2020). 对此类问题进行建模需要了解患者或医生的特征（以及他们之间的互动）。用到的技术范围从简单回归（例如预测手术持续时间）到循环神经网络（例如预测心率曲线）。
很多个性化健康问题都会用到自然语言处理，例如分析病历记录，或者X光照片生成报告 (Ni et al., 2020)。 第8章会对他们进行讨论。
计算社会科学
有时候， 我们对用户数据建模，不仅仅是预测未来的事件。而是要了解正现在系统中各个部分是如何互动的。使用机器学习和数据驱动的方法从大型数据集中了解 dynamics of human behavior 是计算社会科学的主要目标之一。
同样，对于我们开发的许多模型，理解当下行为和预测未来一样重要。当我们开发 回归模型来预测 reddit 上的内容成功时（第 2.6.1 节），我们的主要目标是发现成功的因素，例如社区动态、标题、提交时间等。或者，在构建推荐系统时，我们的目标是理解和解释引导用户决策的潜在因素，以及导致这些偏好随时间变化的原因，包括用户如品味变化、对旧物品产生怀旧情绪，或者只是单纯响应了用户界面的变化。
最后，当我们开始探索个性化的伦理后果（我们将在第 1.8 节中介绍）时，我们将强调一点，准确预测本身并不是这类系统唯一追求的目标。在第 10 章中，我们将研究对与个性化系统交互的用户的长期影响：这包括研究是什么因素驱使用户使用极端内容，以及如何通过算法缓解这些不良结果。
语言生成， 个性化对话 与 可互动代理 （Language Generation, Personalized Dialog, and Interactive Agents）
最后，鉴于人们与预测系统交互的新模式，我们对个性化提出了新的需求。
例如，个性化在涉及自然语言的应用中至关重要。由于写作风格、主观性等方面的差异，用户生成的语言数据会表现出很大的可变性。在处理此类数据时，非个性化模型可能会遇到处理这种差别的问题。例如，对于自动对话系统，无论是面向任务，还是在开放域“闲聊”，都可以从个性化中受益。 从而产生更加个性化，个人用户的语气，或上下文更感同身受的响应 (Majumder et al., 2020)。
我们将在整本书中看到几个个性化语言建模的实例：语言模型对于解释机器学习预测结果越来越重要（第 8.4.3 节），这会促进与预测系统交互的新模式（例如对话，第 8.4.4 节），并开发新型辅助工具，例如帮助用户回复电子邮件的算法（第 8.5 节）。
网友评论