文/秋 藻

數(shù)據(jù)并非越大越好谷歌流感趨勢錯在哪兒了

文/秋 藻

大數(shù)據(jù)為研究人類行為和人與人之間大規(guī)模的互動提供了新的方式。然而，由于大數(shù)據(jù)的搜集做不到像“小數(shù)據(jù)”那樣精確，因此分析解讀大數(shù)據(jù)是一件十分復雜的事。一項發(fā)表在《科學》雜志政策論壇上的新研究利用“谷歌流感趨勢”（Google Flu Trends，GFT）作為范例，解釋了大數(shù)據(jù)分析為何會背離事實，并提出了大數(shù)據(jù)時代背景下一些值得思考的事。

谷歌發(fā)現(xiàn)某些搜索關(guān)鍵詞可以很好地標示流感疫情的現(xiàn)狀。GFT的工作原理就是使用經(jīng)過匯總的谷歌搜索數(shù)據(jù)來估測流感疫情，其預測結(jié)果將與美國疾病預防控制中心（Centers for Disease Control and Prevention，CDC）的監(jiān)測報告相比對。但是2013年2月，《自然》雜志發(fā)文指出，GFT預測的流感樣病例門診數(shù)超過了CDC根據(jù)全美各實驗室監(jiān)測報告得出的預測結(jié)果的兩倍（但GFT的構(gòu)建本來就是用來預測CDC的報告結(jié)果的）。

研究第一作者大衛(wèi)·拉澤(David Lazer)認為造成這種結(jié)果的兩個重要原因分別是“大數(shù)據(jù)傲慢”(Big Data Hubris)和算法變化。

“大數(shù)據(jù)傲慢”指的是這樣一種觀點：即認為大數(shù)據(jù)可以完全取代傳統(tǒng)的數(shù)據(jù)收集方法，而非作為后者的補充。這種觀點的最大問題在于，絕大多數(shù)大數(shù)據(jù)與經(jīng)過嚴謹科學試驗得到的數(shù)據(jù)之間存在很大的不同。

編寫一個將5000萬搜索關(guān)鍵詞與1 152個數(shù)據(jù)點相匹配的算法是非常困難的，很有可能會出現(xiàn)過度擬合（將噪聲誤認為信號）的情況：很多關(guān)鍵詞只是看似與流感相關(guān)，但實際上卻并無關(guān)聯(lián)。事實上，在2013年的報道之前，GFT就多次在很長一段時間內(nèi)過高地估計了流感的流行情況。 2010年的一項研究發(fā)現(xiàn)，使用CDC的滯后預測報告（通常滯后兩周）來預測當前的流感疫情，其準確性甚至都高于GFT的預測結(jié)果。

谷歌搜索引擎的算法并非一成不變的，谷歌對算法會進行不斷地調(diào)整和改進。而搜索引擎算法的改變和用戶的搜索行為會影響GFT的預測結(jié)果，比如媒體對于流感流行的報道會增加與流感相關(guān)的詞匯的搜索次數(shù)，進而影響GFT的預測。

另外，相關(guān)搜索（People also search for）的算法也會對GFT造成影響。例如搜索“發(fā)燒”，相關(guān)搜索中會給出關(guān)鍵詞“流感”，而搜索“咳嗽”則會給出“普通感冒”。

除此以外，搜索建議（recommended search）也會進一步增加某些熱門詞匯的搜索頻率。

因為GFT會在它的模型中使用相對流行的關(guān)鍵詞，所以搜索引擎算法對GFT的預測結(jié)果會產(chǎn)生不利影響。奇怪的是，GFT在構(gòu)建時是基于這樣一種假設(shè)：特定關(guān)鍵詞的相對搜索量和特定事件之間存在相關(guān)性，問題是用戶的搜索行為并不僅僅受外部事件影響，它還受服務(wù)提供商影響。

拉澤和他的研究團隊認為，如果谷歌可以公開衍生數(shù)據(jù)和匯總數(shù)據(jù)，那么研究者就可以更好地了解GFT背后的算法。此外，谷歌還需要解決可重復性的問題：利用谷歌的Correlate服務(wù)得到的與流感高度相關(guān)的關(guān)鍵詞與GFT選取的關(guān)鍵詞無法匹配。

另外，GFT的優(yōu)勢在于能夠提供細化程度非常高的數(shù)據(jù)（數(shù)據(jù)粒度小）。因此與CDC相比，GFT的價值在于提供地區(qū)水平上的流感疫情預測。而且，GFT非常適合建立流感傳播的生成式模型（Generative Model），并且對于預測幾個月后的流感疫情具有較高的準確性。

數(shù)以百萬的工程師和用戶在不斷改變著搜索引擎算法，而作為研究者則需要更好地理解這些變化，因為正是搜索引擎算法決定了我們最終得到的信息。

在論文的最后作者指出，數(shù)據(jù)的價值并不僅僅體現(xiàn)在“大小”上。真正核心的改變在于利用創(chuàng)新的數(shù)據(jù)分析方法去分析數(shù)據(jù)，這樣才能幫助我們更好的理解這個世界。

來源：果殼網(wǎng)