1   認(rèn)識(shí)反事實(shí)思考

計(jì)算機(jī)科學(xué)界諾貝爾獎(jiǎng)「圖靈獎(jiǎng)」得主Judea Pearl(珀?duì)? 在他的開(kāi)創(chuàng)性著作《The Book of Why》一書里，提到了「因果關(guān)系階梯」(Ladder of Causality)的概念。他指出了這個(gè)階梯上的三個(gè)梯級(jí)——聯(lián)想(Association)、干預(yù)(Intervention) 和反事實(shí)(Counterfactuals)。其中，最頂級(jí)的是反事實(shí)梯級(jí)，位于這梯級(jí)的思考者可以想象(Imaging) 不存在的世界并推斷觀察到的現(xiàn)象，并試圖去了解事件的起因來(lái)深刻理解問(wèn)題緣由。因而他們能夠考慮在第1 層或第2 層級(jí)所無(wú)法想象到的一些場(chǎng)景( 圖-1)。

圖-1 因果關(guān)系階梯

近年來(lái)，許多專家用心研究反事實(shí)推理對(duì)人們決策(Decision-making)的影響，其提倡決策者應(yīng)該根據(jù)反事實(shí)來(lái)評(píng)估可能采取的替代性方案或行動(dòng)。其中的反事實(shí)推理意味著思考過(guò)去或未來(lái)事件的替代可能性。當(dāng)一個(gè)人修改先前的事實(shí)事件，然后評(píng)估該變化的后果時(shí)，就會(huì)出現(xiàn)反事實(shí)思考了。例如，人們常常會(huì)透過(guò)想象某些因素可能會(huì)有所不同來(lái)反思車禍的結(jié)果，便能為已經(jīng)發(fā)生的生活事件創(chuàng)造可能的替代方案，于是出現(xiàn)反事實(shí)思考：「如果我沒(méi)有分心聽(tīng)歌，而無(wú)意中超速，就不會(huì)發(fā)生車禍?！?/p>

2   讓AI來(lái)參與反事實(shí)推理

反事實(shí)思考使人們能夠探索最初可能沒(méi)有考慮過(guò)的< 替代性> 路徑和解決方案。換句話說(shuō)，參與反事實(shí)推理可以透過(guò)鼓勵(lì)個(gè)人考慮< 替代方案> 來(lái)激發(fā)創(chuàng)意，幫助人們以不同的方式看待事物，從而帶來(lái)創(chuàng)造性的發(fā)現(xiàn)。因而人們能根據(jù)預(yù)期結(jié)果調(diào)整自己的行動(dòng)來(lái)增強(qiáng)未來(lái)規(guī)劃，從而獲得更成功的行動(dòng)方案和效果。

于是，也可以讓AI 來(lái)探索創(chuàng)造性的< 替代方案>，并與人類協(xié)作參與反事實(shí)推理，將能幫助人們以不同的方式看待事物，從而帶來(lái)創(chuàng)造性的發(fā)現(xiàn)。使得人們能根據(jù)預(yù)期結(jié)果調(diào)整自己的行動(dòng)來(lái)增強(qiáng)未來(lái)規(guī)劃，從而獲得更成功的行動(dòng)方案和效果。人們基于AI 提供的替代性方案，就可以深入了解新的可能性和創(chuàng)新方法，透過(guò)擴(kuò)大考慮的解決方案的范圍來(lái)幫助解決問(wèn)題。它促使個(gè)人跳出框框思考并評(píng)估不同的結(jié)果，因而可以找出最初可能并不明顯的新穎解決方案。

3   訓(xùn)練AI模型，來(lái)提供替代方案

茲以食譜的創(chuàng)新與推薦為例，來(lái)說(shuō)明AI 模型的規(guī)劃與訓(xùn)練流程。透過(guò)這項(xiàng)< 反事實(shí)推理> 流程，不僅能說(shuō)明發(fā)現(xiàn)新的食材組合，還能模擬用戶的偏好變化對(duì)推薦結(jié)果的影響，從而為個(gè)性化推薦和食材創(chuàng)新提供強(qiáng)有力的支持。例如，透過(guò)GCN 模型可以仿真“如果用戶偏好發(fā)生變化，食材組合會(huì)如何變化”的反事實(shí)思考步驟。并能推測(cè)出使用者未嘗試過(guò)但可能感興趣的食材組合，從而生成更具創(chuàng)意和吸引力的食譜。這種方式不僅能推薦使用者偏好的食材，還能引導(dǎo)用戶嘗試新的搭配，促進(jìn)食譜的創(chuàng)新和多樣化。

階段一、訓(xùn)練GCN模型獲取食材嵌入

訓(xùn)練GCN 模型獲取原始的食材嵌入(Ingredient embedding)，通過(guò)食材圖譜(Graph) 的關(guān)系學(xué)習(xí)每個(gè)食材的特征表示。例如，有6 種食材( 蔥、蛋、鹽、糖、蒜和胡椒)，以及其關(guān)系( 圖-2)，可以使用圖結(jié)構(gòu)來(lái)表示之。

圖-2 食材圖譜

接著，就讓GCN模型來(lái)從食材圖譜的關(guān)系中，學(xué)習(xí)每個(gè)食材的潛藏空間向量表示，這通稱為：食材嵌入。于是，就撰寫Python程序代碼來(lái)實(shí)踐GCN，執(zhí)行時(shí)輸出食材嵌入，如下：

這些嵌入將為后續(xù)的推薦和反事實(shí)生成提供關(guān)鍵特征。

階段二、訓(xùn)練另一個(gè)GCN模型，獲取反事實(shí)連結(jié)

基于用戶喜愛(ài)的食材關(guān)系，構(gòu)建推薦GCN，生成新的< 用戶- 食材> 的潛在連結(jié)，又稱為：反事實(shí)連結(jié)(Counterfactual Links)，簡(jiǎn)稱為：CF_Links。這利用GCN 來(lái)推薦新連結(jié)( 即CF Links)，這一步可仿真用戶對(duì)新食材組合的潛在偏好，是推薦系統(tǒng)的核心。這種方式將用戶行為與食材特征結(jié)合起來(lái)，通過(guò)生成新的連結(jié)，能夠發(fā)現(xiàn)潛在的< 用戶- 食材> 關(guān)系，成為反事實(shí)分析的基礎(chǔ)。例如，有4 位用戶(User)，其喜愛(ài)食材(Item)的關(guān)系( 圖-3)，可以使用圖譜結(jié)構(gòu)來(lái)表示之。

圖-3 <用戶-食材>圖譜

接著，就來(lái)建立另一個(gè)GCN模型來(lái)從< 用戶- 食材> 圖譜的關(guān)系中，展開(kāi)學(xué)習(xí)并推測(cè)出用戶可能感興趣的新食材組合，然后把這項(xiàng)新食材推薦給該用戶。于是，就撰寫Python程序代碼來(lái)實(shí)踐GCN，并生成CF_Links，如下：

這程序生成了CF_Links表，從表中可以看出來(lái)，針對(duì)User-0探索出兩條新連結(jié)：[0, 2] 和[0, 3]。在從兩條之間挑出一條比較緊密的關(guān)聯(lián)( 即[0, 2])，于是就推薦食材-2 給他。同樣地，針對(duì)User-1 探索出一條新連結(jié)：[1, 0]。于是就推薦食材-0 給她。這些CF_Links表示用戶對(duì)食材的反事實(shí)偏好( 即用戶對(duì)不同食材的潛在興趣)，就能為用戶推薦最相關(guān)的食材組合( 圖-4)。

圖-4 基于CF_Links來(lái)推薦

這樣就生成了個(gè)性化推薦清單。例如，為用戶推薦他們可能感興趣的食材創(chuàng)新組合。

階段三、訓(xùn)練另一個(gè)GCN模型，構(gòu)建反事實(shí)的食材圖譜

本階段的任務(wù)是：利用反事實(shí)鏈接(CF_Links) 為目標(biāo)，來(lái)訓(xùn)練一個(gè)反事實(shí)GCN模型，生成新的食材嵌入，來(lái)構(gòu)建反事實(shí)的食材圖譜。這三階段流程不僅能說(shuō)明發(fā)現(xiàn)新的食材組合，還能發(fā)揮反事實(shí)思考，想象用戶偏好變化對(duì)推薦結(jié)果的影響，從而為個(gè)性化推薦和食材創(chuàng)新提供極大助力。于是，就撰寫Python 程序代碼來(lái)實(shí)踐反事實(shí)GCN 模型，并生成食材之間的CF_Links，如下：

這程序生成了新的連結(jié)：食材-4與食材-5。其表示食材與食材的反事實(shí)連結(jié)( 圖-5)。

圖-5 食材的反事實(shí)連結(jié)

這程序生成了新的連結(jié)：食材-4 與食材-5。就能逐步生成食材創(chuàng)新組合，而創(chuàng)造新食譜。例如：原來(lái)的食譜X = { 食材-2, 食材-5}。就有可能把食材-4 添加到原來(lái)食譜X 里了。

4   結(jié)束語(yǔ)：邁向決策式AI

當(dāng)食材-4 與食材-5 之間的相似度，除了考慮它們與用戶之間的喜愛(ài)度之外，還能考慮這兩種食材之間的口味相似度，就有可能建議以食材-5 來(lái)替換食譜X里食材-4 了，就成為用戶選擇食譜X 時(shí)的替代決策方案。例如針對(duì)上述圖-3 里的每一條連結(jié)，都提出一個(gè)替代性方案。如下：

除了飲食決策之外，上述的GCN模型也可應(yīng)用于其他領(lǐng)域，例如在醫(yī)藥方面的文章：《基于藥物相互作用的慢性病決策支持系統(tǒng)》(Decision Support System for Chronic Diseases Based on Drug-Drug Interactions)， 也有很精采的應(yīng)用和效果。這篇文章提出了DSSDDI 決策支持系統(tǒng)，其基于藥物之間的相互作用來(lái)支持醫(yī)生開(kāi)藥決策。

（本文來(lái)源于《EEPW》202411）