The intelligent system can make decisions very quickly based on lots of data, but can they make them in a way that humans understand? Can they explain the decisions? Maybe we need to take a step back and understand what problems we are solving so we don't solve the wrong problems by doing what is easy.
——Joseph A. Konstan
5月10日上午，第20期AIR学术沙龙如期举行。本期活动荣幸地邀请到了明尼苏达大学计算机学院副院长、ACM/IEEE/AAAS Fellow、ACM主席候选人Joseph A. Konstan教授为我们做题为“Recommender Systems, Organizational Communications, and Advances in Human-Centered Artificial Intelligence”（《推荐系统、组织传播学与以人为中心的人工智能》）的报告。
Konstan教授同时也是史上首个电影评论、推荐网站及算法GroupLens的创始人，为后续一切电影评论网站（如烂番茄、豆瓣网等）做出了开创奠基性的贡献。
本次活动由清华大学智能产业研究院（AIR）助理研究员龚江涛博士主持，AIR官方视频号和b站同步直播，当日线上逾1400次观看，目前共计触达人数近3000人。
Joseph A. Konstan is Distinguished McKnight University Professor and Distinguished University Teaching Professor of Computer Science and Engineering at the University of Minnesota where he also serves as Associate Dean for Research in the College of Science and Engineering. He is a Fellow of the ACM, IEEE, and AAAS and a member of the CHI Academy. He is best known for his work in recommender systems, social computing, and human-centered computing. He currently serves as co-Chair of the ACM Publications Board and is a candidate for ACM President in the 2022 ACM Elections.
Konstan教授在报告开始就指出：以人为中心的人工智能(Human-Centered Artificial Intelligence) 其核心是构建为用户解决问题的人工智能。随着人工智能算法的快速发展，满足用户需求和喜好且具有可解释性的人工智能应用算法逐渐成为了当下研究的重点，其中包括：可解释性人工智能（Explainable AI）和可控制智能系统（Human-Controlled Intelligent Systems）等。
Konstan教授随即分享了他的两个研究方向作为进一步的解释说明：以人为中心的推荐系统（Human-Centred Recommender System）和组织沟通（Organizational Communication）。
以人为中心的推荐系统
（Human-Centred Recommender System）
推荐系统作为帮助用户在大量信息中缩小选择范围的工具其本质包括过滤（Filter）、推荐（Recommendation）、预测（Predicted values）。推荐系统的实际应用相对广泛，如邮件过滤、商品评价、以及商品个性化推荐等。在大多数情况下，推荐系统被视为可以解决缺失值预测（Missing-Value Predictors）的问题，通过获取大量的多维数据从而训练模型来进行预测及推荐。然而，缺失值预测的方法或许对于用户短期内的需求会产生很好的效益，但其并不适用于优化用户长期的需求，如探索新的主题从而增加用户黏性和满意度。
对此，Konstan教授提出了“三步走”的解决策略：1. 寻找不同的评价指标；2. 寻找有价值的相关因素（惊喜度（Serendipity），多样性（Diversity），等）; 3. 通过构建算法（或反馈环路）的方式应用评价指标和相关因素。Konstan教授同时也表示，由于推荐系统的应用范围和人群广泛，其系统构建需要基于不同的案例采取不同的设计思路。比如对于搜索引擎来说，用户的短期需求和长期需求几乎保持一致，因此惊喜度（Serendipity）则变得不再重要。
Konstan教授及团队为解决当前在推荐系统中的问题，把研究重心主要集中在用户研究（Study of Productive Flyby Users）, 评分建模（Modeling Rating Disposition）以及如何平衡用户的短期和长期需求这三个方向上。
组织沟通
（Organizational Communication）
Konstan教授接下来介绍了关于组织沟通在大型组织中的作用和问题。学校和公司通常会向学生和员工发送大量通知和新闻简报类的邮件，这些邮件往往篇幅很长，邮件接收者需要投入较多的时间和精力来寻找其中的有效信息，更有甚者选择直接忽略掉此类邮件。对此，Konstan教授表示，发送者如果可以将内容筛选并进行个性化的发送则会大大降低接收者的信息获取成本。然而，这样的解决策略同时也会增加发送者的交流成本。如何平衡发送者和接收者的沟通成本以及员工的需求和公司的优先事项是一个多方利益的优化问题（Multi-Stakeholder Optimization Problem）。
为解决这一问题，Konstan教授及研究团队将经济学模型融入AI模型，从而实现对信息发送者与接收者的双方成本、消息传输成本、以及组织的净收益的综合考虑。在此之上，通过优化模型，或许还可以考虑更好的发送和接收策略。
报告结束后，线上的同学意犹未尽，并积极与Konstan教授互动提问。就如何解决长期推荐中用户推荐主题单一这个问题，Konstan教授表示，如何平衡推荐多样性是推荐系统构建中最有挑战的问题之一。系统需要考虑用户的长久发展和需求。在某些方面，推荐系统设计与教育学理论有相似之处，需要遵循循序渐进的原则，比如电影推荐系统中，让用户短时间内接受一个不同于其当前喜好的电影类别并不容易，但系统可以优先从带有用户喜好的标签入手，比如可以尝试给喜欢看爱情电影的用户推荐其喜爱的演员主演的纪录片题材电影，这样就能打开推荐的多样性。
另外，Konstan教授还回答了有关数据集体量问题：在小体量的数据集中是否还有完善以人为中心算法构建的可能？Konstan教授表示，在以人为中心的人工智能（HCAI）构建中我们需要基于人类价值观来学习，通过将人类的知识体系纳入算法的设计和优化，不能完全依赖大体量的数据集来解决问题。
针对“如何通过AI模型来体现、建模、评估人的心理和意愿？”这一提问，Konstan教授认为，比起解决如何通过AI评估人的心理和意图，他更关注如何设计一个可以辅助用户表达需求的系统。关于是否可以建立一个模型尝试学习如何判别用户的意图？答案是肯定的，这也是机器学习的擅长之处。但是作为系统设计者，如何定义问题或许更为重要，因为Ground Truth代表着用户使用推荐系统的初衷。
最后，当谈到对年轻的AI、HCI等计算机背景的学者做出具有影响力的学术研究有什么建议时，Konstan教授说，在选择研究方向上需要从用户的需求出发，考虑什么问题亟待解决。在特定的领域了解用户往往是个很好的开始，然而不要只关注于简单的问题，作为研究学者，他鼓励大家尝试解决看似复杂但对自己或社会有价值和意义的问题。另一个思路则是从当前的技术现状出发，尝试去解决当前技术所能解决的问题。当然，在思考技术现状和未来发展的同时也不可忽视行动力，可以从力所能及的事情出发，只有当你深入一个领域才会发现更多的问题和解决思路，因此Konstan教授鼓励年轻学者更多地参与学术论坛或会议，多向领域专家取经，学习和交流。
文稿撰写 / 孙婧婧
排版编辑 / 张子瞻
校对责编 / 黄 妍
精彩视频回顾及完整版PPT下载，请点击：
AIR学术沙龙第20期 | Joseph Konstan：推荐系统、组织传播学与以人为中心的人工智能
