Dropbox 如何改进内容建议模型

Dropbox 机器学习团队在最近的博客中分享了他们的内容建议（content suggestion）功能背后的模型，介绍了该模型如何处理不同类型的内容，如何将文件夹建议合并到现有的文件建议模型中，以及如何处理基于云的第三方内容。

该内容建议功能于今年4月份开始推出，在 Dropbox 主页的顶部添加了一个“建议文件”部分，它旨在方便用户在使用 Dropbox 时能快速访问其所要查找的文件，这与谷歌云端硬盘的“快速访问”功能非常相似。

该功能最初只支持文件推荐，并且是基于一个相对较浅的神经网络模型，该模型使用各种显著信号以及与任务无关的 Dropbox 实体嵌入（其中包括 Dropbox 用户、文件和文件夹的深层语义向量表示），来预测基于启发式候选集文件的 CTR（点击率）。这种方法类似于谷歌“快速访问”背后的机器学习模型所使用的方法。

最近对内容建议模型的改进包含了几个新的组件， 以应对不同的挑战：

为了改进现有文件建议模型的预测功能，模型使用文件名和扩展名合并了更多有关文件的信息。文件扩展名被合并到特征向量中，但它不是通过使用简单的 one-hot 编码方案实现的，而是通过学习一个嵌入空间来实现的，在这个嵌入空间中语义相似的文件扩展名（例如 .jpg 和 .png）是紧密相连的，从而可以使模型从分布不均的数据中学习。此外，文件名的嵌入是通过获取 char-RNN 的状态向量来创建的，每次只摄取文件名的一个字符，以帮助检测临时文件名。

通过开发单独的模型，可以为合作方最近所形成的第三方基于云的文件（如 Google Docs 和 Microsoft Office 365 的文件，这些文件会较少受到训练数据的影响）提供支持建议。同样的方法也可用于支持 Dropbox Paper 文档的建议。

添加了对文件夹建议的支持，它是利用经常使用和最近使用的文件作为信号来建议其父文件夹可能就是一个很好的备选的方式来实现的。与第三方文件一样，Dropbox 也为文件建议训练了一个单独的模型，训练数据来自于使用启发式模型运行的在线实验以及 Dropbox 中无人监督的用户事件数据集，这两者都是 Dropbox 机器学习基础设施的重要组成部分。

最后，通过学习每个模型所生成的分数到给定分数的建议项的预期 CTR 的映射，将各个不同的模型组合成一个单一模型。 由于 CTR 在所有子模型中都具有可比性，因此所有模型的建议都可以根据它们的预期 CTR 进行排序。

这项产品改进工作可以看作是 Dropbox 智能计划（ Dropbox intelligence initiative ，DBXi）的另一个方面，Dropbox 智能计划是该公司将人工智能整合到其所有产品和服务中的尝试。这项工作还包括自动图像文本识别功能，它能够对文档照片（包括收据和字段报告）进行光学字符检测，使用户能够搜索更多类型的内容，并将机器学习模型集成到 Dropbox 的搜索功能中。

处理各种类型内容的能力有助于该公司将 Spaces 产品定位为核心员工协作工具，并与 Slack、Google Drive 和 Microsoft Teams 等知名产品形成竞争。

原文链接：

Dropbox Predicts What File You Need Next With Content-Specific ML Pipelines