517
人物
CCAI | 香港中文大學張勝譽：個性化推薦和資源分配在金融和經濟中的應用
香港中文大學計算機係副教授張勝譽
7 月 22 - 23 日，在中國科學技術協會、中國科學院的指導下，由中國人工智能學會、阿裏巴巴集團 & 螞蟻金服主辦，CSDN、中國科學院自動化研究所承辦,雲棲社區作為獨家直播合作夥伴的 2017 中國人工智能大會（CCAI 2017）在杭州國際會議中心盛大召開。
在大會的智能金融論壇上，香港中文大學計算機係副教授張勝譽發表了《個性化推薦和資源分配在金融和經濟中的應用》主題演講。
張教授的分享主要包含三個方麵：
基於實例簡要分享了 AI 在金融中應用的概況，比如用人工智能來對金融做各種技術服務，當用戶量達到一定規模之後，可能會需要機器人客服，和生物特征識別。這些應用可以讓企業降低成本，提高效率和準確率。
當前，個性化推薦存在嚐試推新和利用已有經驗之間的平衡；新聞的快速更新；非常有限的信息反饋等難點，對此，一個方法是通過 Contextual Multi-Armed Bandit 算法解決。另一方麵，在共享經濟盛行之時，如何進行公平有效的分配和定價顯得尤為重要，並有多個維度可以進行研究。
最後，張勝譽總結道，通過運用 AI 的技術，不僅可以讓金融行業降低成本、提高效率，提高利潤，而且能提供給個人一個更加合理的理財結構，為企業構建一個更加公平透明的體係，為人們提供一個更加安全的出行環境，和一個更加健康的生活方式。
以下是張勝譽教授的演講實錄，AI科技大本營做了不改變原意的整理：
謝謝大會的邀請！我今天想談一點個性化推薦和資源分配在金融和經濟中的應用。
首先我想說一下個人對人工智能進入金融領域的比較有趣的幾個類別的總結。
第一類是AI的技術服務，比如機器人客服，或者是財務報表的自動生成和分析，還有基於生物特征的識別。這些應用可以讓企業降低成本，提高效率和準確率。
第二類是金融產品或者是金融服務的個性化推薦，以及尋找優質的潛在客戶。比如說這張圖是一個大型國有銀行首頁上對個人理財產品的推薦。這個列表很長，我隻是列出了其中的前麵一部分。這裏可以看到列表中有關於銀行收益率、起購金額等等不同的特征，可供每個用戶進行選擇。
另一個例子是財經新聞網站推送相關新聞，這裏也可以看到這份昨晚的手機截圖中的第三個新聞跟我們這個大會的主題有很強的關係。在金融推薦中，我們希望能夠根據用戶的瀏覽行為、個人特征、過往的消費和借貸記錄等，為其推薦用戶最可能感興趣的產品或服務。有一些數據，即使本身看起來和金融並沒有直接關係，也可能對金融個性化推薦有很大的幫助。
第三類是分配定價，比較常見的場景有P2P網貸，拚車，合租和其他共享經濟的形式。因為需要決定把什麼樣的人和什麼樣的物品分派到一起，所以就應該考慮如何分配和定價的問題。共享經濟預計會在七、八年內占到經濟總量一半以上，所以這部分的研究顯得越來越重要。
第四類是投資管理，AI可以幫助提供更好的一些量化投資和管理，這裏會涉及到算法交易，風險管理，輿情分析等。
第五類是關於防偽的，比如說銀行和電商怎樣做反欺詐。
最後一類是關於產品的增強，這裏相對來說提到的稍微少一點，但是我覺得這可能會是下一步非常有趣的一類應用，比如設計更具個體差異化的保險產品，以及過一會我會談及的一些方向。
智能金融 · 個性化推薦
第一類是關於個性化推薦的情況。我們剛才已經看到過的，有理財產品或者是金融類新聞的每天推送的情況。我們知道，對於不同的用戶來說，可能關注點是不一樣的，甚至有時候用戶自己都不知道，自己的風險承受能力怎樣，自己到底希望要一個怎樣的預期年化收益率。但是我們依然希望通過觀察用戶的點擊曆史，慢慢地學到用戶潛在的一些特性參數。這是一個（像剛才夢迪提到的）增強學習的過程，其中需要處理所謂的“Exploration Exploitation Tradeoff”：要在推薦一些確定知道適合該用戶的，和推薦一些相對未知但可能更適合一些新的（理財產品），這兩者之間找到恰當的平衡。
再有一些其他的場景，比如說金融類的新聞推薦的時候就會遇到一些更麻煩的問題。新聞由於其本身的特性，更新得特別快，推送一個過時的新聞是沒有意義的。另外在移動端，推薦顯示的一般是一個新聞列表，這樣就會有一個反饋非常少的問題。比如說我第一屏推20個，不是這20個所有的反饋我都能拿到。我可能看到的是用戶點擊了第二個、第六個，但是第6個之後發生了什麼事情就完全不知道了，可能第7、8個新聞用戶看了標題不感興趣所以就沒點，也可能看完第6個就關掉app了，第7、8個他根本連標題都沒有看。這種對列表的推薦和反饋信息會跟以前傳統的情景很不一樣。
有一類辦法能夠一定程度上解決這種冷啟動（cold start），或者是目標的變化非常迅速的情況，就是用強化學習裏Contextual Multi-Armed Bandit的算法。我們去年做的一個結果是，如果你做T次這樣的推薦，平均來看，每一次你離最優解的隻相差1/√T，也就是說在對用戶隱藏參數和未來信息都不確定的情況下，我們的算法仍然會非常接近於最優推薦。
稍微講一點這裏的細節。我們這裏的模型是說，假設你有一個可以執行的Action的集合，在每一輪的時候這個Action的集合可以比如根據來的用戶不同而不一樣。這個Action就是一個你要推薦的有序列表（ordered list）。當用戶看到這個列表以後，就會從前往下一個一個去檢查，然後會在一個地方停止了，而不再檢查後麵的項目。這裏我們並不知道在哪裏停止了，我們能拿到的反饋隻是用戶在哪裏點擊過了。
有時在其他場景中有不隻點擊的反饋，比如App推薦，你會看到用戶下載行為；電商的產品推薦，你會看到用戶購買行為；不一樣的場景會有不同的反饋。但是無論那種反饋，我們看到以後需要根據這些信息，來決定下一步怎樣做。我們用後悔度（Regret）來衡量算法的有效性：在整個的T輪推薦裏麵，我們算法的行為，和如果我們知道所以隱含參數的情況下應該選擇的最優行為之間的差別。我們沒有辦法展開很多的細節，隻能說我們的結果是在T輪中，我們的Regret可以控製在√T這麼大。後來，我們又進行了一係列的延伸，能夠處理多個點擊的情況，非線性點擊率期望的情況，和結合用戶間相似度的方法等。
智能金融 · 分配定價
現在我們再來談談另一個專題——共享經濟。簡單地說，共享經濟就是多個人分享一個物品。衣食住行裏麵，衣和食可能暫時難於共享，但是住和行共享還是比較常見的，比如說住可以是合租公寓，行可以是拚車。這裏一般的模型是每個人對物品有不同的效用函數。比如對於公寓來說，有的人喜歡朝南的，有的喜歡有獨立衛生間的等等；對租車來說，如果當前的乘客離某個司機比較近，那麼對於乘客來說，那個車的效用更大。
如果是多人同時共享，涉及的就不僅是人和物品之間的匹配問題，還有人和人之間的匹配問題。比如，在共享公寓的情況下，兩個人是否作息一致，業餘愛好一致；如果是車的話，兩個人是不是有相近的起止點等，這些都決定了兩人的匹配度。
對於共享經濟來說，一個關鍵點問題是怎樣分配和定價。這裏需要考慮的往往不僅僅是一個社會總效用的問題，還有一個社會公平和穩定性的問題。在合租公寓的情境下，我們在去年的一個結果中發現，即使不用考慮效率和公平之間的平衡，單單考慮最大化社會效率本身，在一個最基本的模型下，都是NP-hard的問題，所以，基本是沒有辦法有效時間找到的。
另一方麵，即使我們隻是想要公平而忽略社會效率的話，也是無法做到無嫉妒分配方案的。但是好在我們給出了一個算法，可以很快的找到一個解，既達到最優解至少2/3的社會效率，又可以擁有交換穩定性。也就是說，一方麵最有效和最公平即使單獨都很難獲得，另一方麵我們卻可以同時達到比較公平和比較有效。今年，這個工作又拓展到了能解決在線輸入的情況。
我們最近還考慮了拚車問題。出租車公司實時收到大量的拚車需求和司機的位置，那麼問題就是如何進行人車匹配及定價。我們的結果是總等待時間最少是一個NP-hard的問題，但是我們可以找到一個2.5倍的近似最優解。這個問題還有很多研究的維度，目前正在進行。
智能金融 · 產品增強
最後我想講一點最近遇到一些很有趣的AI和金融的結合點。一個是用AI進行駕駛預警，就是在車裏裝一個麵向司機的攝象頭，然後實時監控司機的行為，當發現司機困了時，後台會有一個人工服務，進行提醒，並告訴司機最近的服務區在哪裏。
另一個是，通過收集司機的各種駕駛數據，給出一個評價體係，給司機打一個分，告訴他最近的駕駛習慣好不好。有趣的是這些公司真的發現，在他們不停的反饋下，很多司機的駕駛行為得到了不停的改善，駕駛越來越安全。反過來和保險公司結合，改善的分數可以被用於降低車險。
還有一個就是有的保險公司開始做一件有趣的事。在買一個健康險後，通過每天記錄你運動的步數，來不斷對保費進行微調，通過降低保費來鼓勵健康運動。
最後幾句：前兩天聯想說“讓世界充滿愛（AI）”，我想今天這個論壇基本談的是要讓AI充滿金融。我的希望是不管是AI還是“愛”，在我們讓人工智能進入到金融的時候，希望AI的作用不僅僅是降低成本、提高效率，增加利潤，而且能幫助企業建立一個更加公平透明的機製，給個人提供一個更加合理的理財結構，促進一個更加安全的出行環境，和鼓勵一個更加將健康的生活方式。
我的分享就到這裏，謝謝大家。
作者：CSDN史天
來源：CSDN
最後更新：2017-08-13 22:50:43