迈向决策式AI：提供反事实的建议

本文引用地址：

1   认识反事实思考

计算机科学界诺贝尔奖「图灵奖」得主Judea Pearl(珀尔) 在他的开创性著作《The Book of Why》一书里，提到了「因果关系阶梯」(Ladder of Causality)的概念。他指出了这个阶梯上的三个梯级——联想(Association)、干预(Intervention) 和反事实(Counterfactuals)。其中，最顶级的是反事实梯级，位于这梯级的思考者可以想象(Imaging) 不存在的世界并推断观察到的现象，并试图去了解事件的起因来深刻理解问题缘由。因而他们能够考虑在第1 层或第2 层级所无法想象到的一些场景( 图-1)。

图-1 因果关系阶梯

近年来，许多专家用心研究反事实推理对人们决策(Decision-making)的影响，其提倡决策者应该根据反事实来评估可能采取的替代性方案或行动。其中的反事实推理意味着思考过去或未来事件的替代可能性。当一个人修改先前的事实事件，然后评估该变化的后果时，就会出现反事实思考了。例如，人们常常会透过想象某些因素可能会有所不同来反思车祸的结果，便能为已经发生的生活事件创造可能的替代方案，于是出现反事实思考：「如果我没有分心听歌，而无意中超速，就不会发生车祸。」

2   让AI来参与反事实推理

反事实思考使人们能够探索最初可能没有考虑过的< 替代性> 路径和解决方案。换句话说，参与反事实推理可以透过鼓励个人考虑< 替代方案> 来激发创意，帮助人们以不同的方式看待事物，从而带来创造性的发现。因而人们能根据预期结果调整自己的行动来增强未来规划，从而获得更成功的行动方案和效果。

于是，也可以让AI 来探索创造性的< 替代方案>，并与人类协作参与反事实推理，将能帮助人们以不同的方式看待事物，从而带来创造性的发现。使得人们能根据预期结果调整自己的行动来增强未来规划，从而获得更成功的行动方案和效果。人们基于AI 提供的替代性方案，就可以深入了解新的可能性和创新方法，透过扩大考虑的解决方案的范围来帮助解决问题。它促使个人跳出框框思考并评估不同的结果，因而可以找出最初可能并不明显的新颖解决方案。

3   训练AI模型，来提供替代方案

兹以食谱的创新与推荐为例，来说明AI 模型的规划与训练流程。透过这项< 反事实推理> 流程，不仅能说明发现新的食材组合，还能模拟用户的偏好变化对推荐结果的影响，从而为个性化推荐和食材创新提供强有力的支持。例如，透过GCN 模型可以仿真“如果用户偏好发生变化，食材组合会如何变化”的反事实思考步骤。并能推测出使用者未尝试过但可能感兴趣的食材组合，从而生成更具创意和吸引力的食谱。这种方式不仅能推荐使用者偏好的食材，还能引导用户尝试新的搭配，促进食谱的创新和多样化。

阶段一、训练GCN模型获取食材嵌入

训练GCN 模型获取原始的食材嵌入(Ingredient embedding)，通过食材图谱(Graph) 的关系学习每个食材的特征表示。例如，有6 种食材( 葱、蛋、盐、糖、蒜和胡椒)，以及其关系( 图-2)，可以使用图结构来表示之。

图-2 食材图谱

接着，就让GCN模型来从食材图谱的关系中，学习每个食材的潜藏空间向量表示，这通称为：食材嵌入。于是，就撰写Python程序代码来实践GCN，执行时输出食材嵌入，如下：

这些嵌入将为后续的推荐和反事实生成提供关键特征。

阶段二、训练另一个GCN模型，获取反事实连结

基于用户喜爱的食材关系，构建推荐GCN，生成新的< 用户- 食材> 的潜在连结，又称为：反事实连结(Counterfactual Links)，简称为：CF_Links。这利用GCN 来推荐新连结( 即CF Links)，这一步可仿真用户对新食材组合的潜在偏好，是推荐系统的核心。这种方式将用户行为与食材特征结合起来，通过生成新的连结，能够发现潜在的< 用户- 食材> 关系，成为反事实分析的基础。例如，有4 位用户(User)，其喜爱食材(Item)的关系( 图-3)，可以使用图谱结构来表示之。

图-3 <用户-食材>图谱

接着，就来建立另一个GCN模型来从< 用户- 食材> 图谱的关系中，展开学习并推测出用户可能感兴趣的新食材组合，然后把这项新食材推荐给该用户。于是，就撰写Python程序代码来实践GCN，并生成CF_Links，如下：

这程序生成了CF_Links表，从表中可以看出来，针对User-0探索出两条新连结：[0, 2] 和[0, 3]。在从两条之间挑出一条比较紧密的关联( 即[0, 2])，于是就推荐食材-2 给他。同样地，针对User-1 探索出一条新连结：[1, 0]。于是就推荐食材-0 给她。这些CF_Links表示用户对食材的反事实偏好( 即用户对不同食材的潜在兴趣)，就能为用户推荐最相关的食材组合( 图-4)。

图-4 基于CF_Links来推荐

这样就生成了个性化推荐清单。例如，为用户推荐他们可能感兴趣的食材创新组合。

阶段三、训练另一个GCN模型，构建反事实的食材图谱

本阶段的任务是：利用反事实链接(CF_Links) 为目标，来训练一个反事实GCN模型，生成新的食材嵌入，来构建反事实的食材图谱。这三阶段流程不仅能说明发现新的食材组合，还能发挥反事实思考，想象用户偏好变化对推荐结果的影响，从而为个性化推荐和食材创新提供极大助力。于是，就撰写Python 程序代码来实践反事实GCN 模型，并生成食材之间的CF_Links，如下：

这程序生成了新的连结：食材-4与食材-5。其表示食材与食材的反事实连结( 图-5)。

图-5 食材的反事实连结

这程序生成了新的连结：食材-4 与食材-5。就能逐步生成食材创新组合，而创造新食谱。例如：原来的食谱X = { 食材-2, 食材-5}。就有可能把食材-4 添加到原来食谱X 里了。

4   结束语：迈向决策式AI

当食材-4 与食材-5 之间的相似度，除了考虑它们与用户之间的喜爱度之外，还能考虑这两种食材之间的口味相似度，就有可能建议以食材-5 来替换食谱X里食材-4 了，就成为用户选择食谱X 时的替代决策方案。例如针对上述图-3 里的每一条连结，都提出一个替代性方案。如下：

除了饮食决策之外，上述的GCN模型也可应用于其他领域，例如在医药方面的文章：《基于药物相互作用的慢性病决策支持系统》(Decision Support System for Chronic Diseases Based on Drug-Drug Interactions)， 也有很精采的应用和效果。这篇文章提出了DSSDDI 决策支持系统，其基于药物之间的相互作用来支持医生开药决策。