原標(biāo)題：數(shù)據(jù)挖掘大戰(zhàn) 機(jī)器怎么做到“見信如面”

大數(shù)據(jù)殺熟？隱私換便捷？一度被熱捧的大數(shù)據(jù)挖掘，近日站在了輿論的風(fēng)口浪尖：一些商家利用大數(shù)據(jù)挖掘技術(shù)“殺熟”被網(wǎng)友親測證實；百度董事長兼CEO李彥宏一句“中國人對隱私問題沒有那么敏感”，更是讓它的處境雪上加霜。大數(shù)據(jù)挖掘技術(shù)就像一位有了負(fù)面新聞的明星，霎時間光彩暗淡，似乎變成了偷人隱私的小賊。

《大數(shù)據(jù)時代》一書暢銷之后的幾年，大數(shù)據(jù)雖不再那么當(dāng)紅，但并未隱退，它的持續(xù)發(fā)展已成為人工智能得以實現(xiàn)的基礎(chǔ)之一。

那么，大數(shù)據(jù)挖掘究竟是怎樣的技術(shù)？從誕生發(fā)展至今，那些埋頭苦干的技術(shù)人員又讓它長了哪些本領(lǐng)？面對大數(shù)據(jù)難以管理的問題，有沒有技術(shù)手段加以控制？

用戶畫像：機(jī)器給人類貼標(biāo)簽

“通過打標(biāo)簽的方式建立用戶畫像，是數(shù)據(jù)挖掘常用的一種技術(shù)。”北京大學(xué)計算機(jī)科學(xué)技術(shù)研究所多媒體信息處理研究室主任彭宇新教授解釋，建立用戶畫像就是利用社交網(wǎng)絡(luò)的信息，根據(jù)用戶社會屬性、生活習(xí)慣和消費行為等信息，抽象出一個標(biāo)簽化的用戶模型，目標(biāo)是使機(jī)器實現(xiàn)類似于人的“見信如面”的能力。社交網(wǎng)絡(luò)數(shù)據(jù)是實現(xiàn)這一目標(biāo)的基礎(chǔ)，機(jī)器對人的“初相見”多是源自于對社交網(wǎng)絡(luò)數(shù)據(jù)的挖掘。

標(biāo)簽，通常是通過對用戶信息進(jìn)行分析得到的高度精煉的特征標(biāo)識，使得機(jī)器方便做信息提取、聚合分析等處理。標(biāo)簽本身無需再做過多文本分析等處理工作，這為利用機(jī)器提取標(biāo)準(zhǔn)化信息提供了便利。

“有了標(biāo)簽，計算機(jī)就能夠自動處理與人相關(guān)的信息，能夠通過算法、模型逐步‘理解’ 人。”彭宇新介紹，多個標(biāo)簽共同完成畫像，整個過程可分三步走：一是采集數(shù)據(jù)，即基于文本的信息抓取，口語稱為“爬數(shù)據(jù)”；二是用戶行為建模，通過機(jī)器學(xué)習(xí)技術(shù)，形成算法模型，判斷用戶可能的一些行為；三是可視化展現(xiàn)，把機(jī)器運算出來的結(jié)果，通過能讓人類理解的方式展現(xiàn)出來。這三步是多輪調(diào)整的，在實際應(yīng)用中，根據(jù)結(jié)果的反饋，以及業(yè)務(wù)需求，可能進(jìn)行二次建模等調(diào)整。

整個過程的影響參數(shù)是相對多元的，不同的行為類型，對于標(biāo)簽信息的權(quán)重影響也不同。以應(yīng)用最廣的商品營銷為例，比如網(wǎng)售紅酒，如果“購買”權(quán)重計為5，僅“瀏覽”計為1，加上瀏覽間隔、駐留時長、生活習(xí)慣等，通過復(fù)雜的算法最終呈現(xiàn)出一個標(biāo)簽的權(quán)重，再形成畫像。

基于用戶畫像技術(shù)，大數(shù)據(jù)挖掘進(jìn)行分類和關(guān)聯(lián)規(guī)則計算等分析：例如喜歡紅酒的用戶有多少，喜歡紅酒的人群中，男、女比例是多少，喜歡紅酒的人通常喜歡什么運動品牌等等。

跨媒體智能識別：為計算機(jī)裝上慧眼

“以前文本信息占主流，現(xiàn)在圖像、視頻等多媒體數(shù)據(jù)鋪天蓋地而來。”彭宇新說，后者目前占據(jù)大數(shù)據(jù)的80%以上。

數(shù)據(jù)類型發(fā)生的巨大變化，使得智能識別的任務(wù)更加艱巨。“管不住”和“用不好”的問題日益凸顯。“機(jī)器只能讀懂自己的語言。”彭宇新說，人類世界的所有語言都要轉(zhuǎn)化為機(jī)器理解的語言才能被識別，以前只處理文本相對簡單，而現(xiàn)在要加上復(fù)雜的圖像、視頻等數(shù)據(jù)。

“例如，世界上有數(shù)千種鳥類，很多種的差異非常細(xì)微，即使是有專業(yè)知識的人類也很難準(zhǔn)確辨認(rèn)，計算機(jī)自動識別的難度就更大了。”彭宇新說，圖像、視頻內(nèi)容理解的難點在于如何進(jìn)行語義自動識別，這也是他們團(tuán)隊多年攻關(guān)的課題之一，為此團(tuán)隊發(fā)明了基于注意力模型和深度增量學(xué)習(xí)的識別方法。

注意力模型，顧名思義是讓計算機(jī)自動定位圖像的顯著性區(qū)域，以此提高檢測精度；深度增量學(xué)習(xí)，是指計算機(jī)能夠利用已經(jīng)學(xué)到的知識加速對新知識的學(xué)習(xí)，同時通過動態(tài)擴(kuò)容以支持新概念的檢測。

新模型新算法的發(fā)力，幫助機(jī)器快速識別圖像、視頻的語義信息。彭宇新團(tuán)隊近年來六次參加國際權(quán)威評測TRECVID的視頻樣例搜索比賽均獲第一名，并在與卡內(nèi)基梅隆大學(xué)、牛津大學(xué)、IBM Watson研究中心等參賽隊伍的較量中勝出。其中一個題目就是在464個小時的視頻中快速準(zhǔn)確地找出所有的倫敦地鐵標(biāo)志，彭宇新團(tuán)隊僅用了不到1秒就成功勝出，獲得第一名。

單媒體信息的分析與識別之上，如何進(jìn)一步讓機(jī)器像人類一樣能看、能理解呢？

為達(dá)到跨媒體信息融合與一體化分析識別的目的，項目團(tuán)隊首先把數(shù)據(jù)按照不同媒體類型自動分發(fā)到對應(yīng)的分析與識別模塊。例如，對視頻鏡頭進(jìn)行分割、對關(guān)鍵幀進(jìn)行提取，然后分發(fā)到鏡頭檢索、片斷檢索、視頻字幕識別等模塊中，對單媒體分析結(jié)果進(jìn)行跨媒體語義關(guān)聯(lián)分析，實現(xiàn)跨媒體信息的語義協(xié)同。“一種常用的方法是構(gòu)建第三方空間進(jìn)行跨媒體關(guān)聯(lián)。”彭宇新說，“計算機(jī)根據(jù)我們教它的模型分別為圖像、視頻、文本、音頻抽取表征，再共同投射到一個第三方空間中，這樣不同媒體的信息就可以對話了。”

技術(shù)的“抽絲剝繭”，讓圖像、視頻中的信息可以如文本一般精確透明。“我們是瞄著應(yīng)用去的，準(zhǔn)確率、處理速度都經(jīng)過多年的優(yōu)化，已經(jīng)可以進(jìn)行實際應(yīng)用了。”彭宇新介紹，這項技術(shù)不僅幫助新聞媒體等行業(yè)進(jìn)行數(shù)據(jù)管理和檢索，還在助力互聯(lián)網(wǎng)管理部門對大數(shù)據(jù)進(jìn)行分析與監(jiān)測。

延伸閱讀

匿名處理：可預(yù)期的隱私保護(hù)對策

打破信息控制權(quán)幾乎不可能，但隱私保護(hù)卻有個很便捷的方法。北京郵電大學(xué)教授楊義先的《安全簡史》中有個形象的比喻，如果數(shù)據(jù)在網(wǎng)上“裸奔”，為了不被溯源，最便捷的安全手段是“把臉捂住”。這就是所謂的“匿名化處理機(jī)制”。

“用戶隱私保護(hù)的相關(guān)規(guī)定要求，數(shù)據(jù)公司在售賣數(shù)據(jù)時，需要對數(shù)據(jù)進(jìn)行匿名化處理。”北京大學(xué)計算機(jī)科學(xué)技術(shù)研究所研究員趙東巖說。但為了精準(zhǔn)定位、推送服務(wù)，匿名化處理可能被忽視。“精準(zhǔn)意味著目標(biāo)客戶群的ID指向，而不是向群體發(fā)送，因此，個性化推送和匿名化處理在目前的技術(shù)中是相互沖突的。”

針對上面的沖突，業(yè)界的先行者提出一種區(qū)塊鏈的解決思路。“我稱它為OF ID。”北京領(lǐng)主科技公司研究人員劉偉泰說，“大數(shù)據(jù)的本質(zhì)是群體研究，但是群體粒度可以細(xì)一些，此外，區(qū)塊鏈技術(shù)可以授予用戶授權(quán)的方法。”

不難想象，隨著新技術(shù)的不斷創(chuàng)新，會有更多用于信息安全的技術(shù)突破，不是一門心思用于大數(shù)據(jù)挖掘，而是也能用于制衡“信息控制權(quán)”。