迈向决策式AI：提供反事实的建议
迈向决策式AI：提供反事实的建议
反事实推理是AI决策支持中的重要概念，它使机器能够像人类一样思考"如果...会怎样"的问题。本文将介绍反事实推理的基本概念，并通过一个食谱推荐的案例，展示如何利用图神经网络（GCN）模型来实现反事实推理，为用户提供创新的食材组合建议。
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》一书中，提出了“因果关系阶梯”(Ladder of Causality)的概念。他将这个阶梯分为三个梯级：联想(Association)、干预(Intervention)和反事实(Counterfactuals)。其中，反事实梯级位于最顶层，能够想象不存在的世界并推断观察到的现象，从而深刻理解问题的起因。
图-1 因果关系阶梯
近年来，许多专家研究发现，反事实推理对人们的决策具有重要影响。它鼓励决策者考虑替代性方案或行动，通过思考过去或未来事件的替代可能性来优化决策。例如，人们常常会通过想象某些因素可能会有所不同来反思车祸的结果，从而出现反事实思考：“如果我没有分心听歌，而无意中超速，就不会发生车祸。”
让AI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。参与反事实推理可以激发创意，帮助人们以不同的方式看待事物，从而带来创造性的发现。因此，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。
同样，也可以让AI参与反事实推理，帮助人们以不同的方式看待事物，从而带来创造性的发现。基于AI提供的替代性方案，人们可以深入了解新的可能性和创新方法，通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，从而可以找出最初可能并不明显的新颖解决方案。
训练AI模型，提供替代方案
以食谱的创新与推荐为例，说明AI模型的规划与训练流程。通过这项反事实推理流程，不仅能发现新的食材组合，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，通过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。
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)，也有很精彩的应用和效果。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。