滴滴“雅典娜”计划是连接滴滴和优秀在校生的桥梁，吸引着来自全球各地的杰出青年。第十二期专访我们邀请到来自滴滴网约车策略与技术部的实习生郭兰哲。
郭兰哲，2013年本科毕业于吉林大学软件工程学院卓越工程师班。毕业后进入南京大学由周志华老师带领的机器学习与数据挖掘（LAMDA）实验室，师从李宇峰老师，参与机器学习领域的科研工作。现博士一年级，主要研究方向为弱监督学习，尤其是鲁棒的弱监督学习，以及高效的优化方法。在滴滴网约车策略与技术部主要参与智能评价相关算法的研究工作，团队相关研究成果已被人工智能领域国际顶尖学术会议AAAI 2020收录。
一招中的，剑指要害
致力于成为全球卓越的移动出行平台，滴滴一直寻求能与用户体验达成最优的契合点。网约车司乘评价体系需要兼顾乘客体验、司机接单公平性与平台的合理收益，是司乘生态建设的一大关键。郭兰哲及其团队在其中的桥梁作用不可忽视。
丰富的经验和大量的累积，郭兰哲从专业的角度去审视这个问题，“因为一般的监督学习技术往往需要大量的数据和数据的标记，但事实上，在很多真实的业务中，我们收集到的数据标记往往是不完整、不准确的。”以他在滴滴实习期间负责的智能评价项目为例，每个乘客乘车结束后手机端都会收到一个推荐的评价问题，比如“司机是否绕路?”，“司机安全平稳驾驶了吗？”等，如果该回答能够很好的反映出司机的不足，那将有助于平台对司机进行教育，最终提高用户的体验。借助机器学习来进行评价问题推荐是智能评价的主要目标。但评价结果很有可能是乘客随意点击的，并不是最真实的乘车体验。这就导致收集到的评价数据中存在着大量的标记噪声和标记有偏的情况，也就是直接使用普通的机器学习算法性能不佳。这样的例子在实际业务中比比皆是，如何利用这些不完整、不准确的弱监督信息，是工业界面临的棘手难题。
“我认为弱监督学习难以落地的原因主要是两个，一是缺少可靠的算法；二是缺少完善的工具包，不能像XGBoost一样很方便的调用。我希望能够研究出更鲁棒更可靠的弱监督学习技术，推动弱监督学习在业务上的落地。”
针对智能评价体系存在的两大问题——样本不平衡和标注噪声，滴滴网约车策略与技术部与南京大学LAMDA组李宇峰团队（郭兰哲所在团队）联合提出了一种对样本进行赋权的方式，并根据少量人工标注的验证数据指导学习样本权重的算法，将其形式化为一个双层优化问题，并提出了快速的求解方法以适应大规模数据。该研究成果已被人工智能领域国际顶尖学术会议AAAI 2020收录。
在滴滴，他进一步认识到学术界和工业界的差异，碰触到很多在学校无法掌握的知识和经验。“在公司做研究，需要更多的了解业务场景，将学术研究和实际业务需求相结合，才能设计出更扎实可靠的算法。很幸运，在滴滴实习的过程中得到了团队的同学们，尤其是我的实习导师匡峰老师很大的帮助，让我能够很快很全面的了解相关的业务场景和需求，进而快速开展相关实验和研究。”
一朝一夕，积年累月
郭兰哲本科期间就在其所学领域展现了超高天赋，他曾代表学校参加ACM/ICPC国际大学生程序设计竞赛，并获得亚洲区域赛金牌。在来滴滴实习前，他一直从事弱监督学习相关的研究，如何可靠地利用弱监督数据一直是困扰学术界和工业界的一个难题。在李宇峰老师指导下，他和团队研究了在怎样的条件下可以保证利用弱监督数据之后性能不下降，相关成果发表在AAAI18；在图数据方面，提出了鲁棒的弱监督学习方法，相关成果发表在PAKDD18上；在多标记学习方面，探讨了多种弱监督学习场景下算法的可靠性，相关成果发表在MLJ18上。滴滴的场景，也是一个典型的弱监督学习的场景，因为其中存在着大量的标记噪声数据和标记分布有偏的情况，这与他的从事研究方向高度吻合。
一弦一柱，不荒经年
算法是透过数据去洞悉人情，郭兰哲还喜欢用镜头去捕捉人间烟火。他喜欢简单朴素的场景，无需多虑构图，自然的光景就是悄无声息的美。静心凝神，生命即得舒展。
欲其中者，波沸寒潭，山林不见寂；虚其内者，凉生酷暑，朝市不见喧。
把众生想复杂的，也就人而已。
滴滴导师
匡峰。网约车策略与技术专家算法工程师。负责网约车平台公司的司乘费用类异常体验预防和纠纷判责、以及乘客对司机服务推荐等的算法设计和研发工作。致力于通过机器学习和策略算法提升司乘体验。
导师寄语
郭兰哲同学技术扎实、并且有非常好的快速动手能力，在半监督学习方向有非常棒的学术研究经验，相关多篇论文发表在AAAI等主流会议上。在滴滴的实习期间，非常快速的熟悉所负责的评价相关业务场景，并提出了通过半监督方法对噪音数据进行清洗的思路，对业界的方法进行了创新性的优化并且取得了很好的效果，相关论文投稿到AAAI 2020 ，现已中稿。其研究成果不仅在评价数据的利用上对推荐结果有很好的提升，并且对纠纷判责、地图POI挖掘等场景有比较好的借鉴意义。