Activities
2019年10月26-27日，由中國自動(dòng)化學(xué)會(huì)主辦的第十二期智能自動(dòng)化學(xué)科前沿講習(xí)班在北京成功舉辦，此次講習(xí)班主題為“推薦系統(tǒng)”，由中國人民大學(xué)趙鑫副教授擔(dān)任學(xué)術(shù)主任，邀請來自學(xué)術(shù)界和工業(yè)界的12位嘉賓進(jìn)行分享。約兩百位來自全國各相關(guān)高校、科研院所、企事業(yè)單位的相關(guān)科研工作人員參加了此次講習(xí)班。
首先由此次講習(xí)班學(xué)術(shù)主任趙鑫副教授進(jìn)行致辭，趙鑫老師對講習(xí)班的背景和基本情況做了簡要介紹，并對推薦系統(tǒng)的發(fā)展進(jìn)行了簡要回顧，希望大家能夠通過參加此次講習(xí)班活動(dòng)有所收獲。
首先由中國人民大學(xué)徐君教授帶來題為“面向搜索和推薦的強(qiáng)化排序?qū)W習(xí)模型”的報(bào)告。在互聯(lián)網(wǎng)搜索和推薦系統(tǒng)中，排序模型決定了系統(tǒng)向用戶所展示的網(wǎng)頁或物品順序，在很大程度上影響著用戶的使用體驗(yàn)。近年來，得益于其強(qiáng)大的交互式建模能力，強(qiáng)化學(xué)習(xí)技術(shù)被逐步地被應(yīng)用于搜索和推薦排序并取得了良好的效果，被稱為“強(qiáng)化排序?qū)W習(xí)”。徐君教授的報(bào)告介紹了近年來強(qiáng)化排序?qū)W習(xí)在搜索和推薦系統(tǒng)中的研究進(jìn)展，包括強(qiáng)化學(xué)習(xí)基礎(chǔ)和基于強(qiáng)化學(xué)習(xí)的網(wǎng)頁排序以及商品推薦模型，實(shí)驗(yàn)結(jié)果表明，在搜索和推薦中強(qiáng)化排序?qū)W習(xí)均能學(xué)習(xí)到較優(yōu)的排序策略。
武漢大學(xué)李晨亮副教授所作報(bào)告題目為“基于評論數(shù)據(jù)的推薦技術(shù)”，商品的評論數(shù)據(jù)包含豐富的語義信息，為我們開展個(gè)性化的推薦提供了依據(jù)。深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的語義抽取與理解能力能克服傳統(tǒng)文本語義分析中詞袋模型的缺陷，幫助我們更好地刻畫用戶的喜好與商品的特點(diǎn)，也為基于評論的商品推薦提供了新的機(jī)遇。時(shí)至今日，基于深度學(xué)習(xí)技術(shù)，面向評論數(shù)據(jù)的推薦系統(tǒng)已取得了諸多進(jìn)展。李晨亮老師的報(bào)告回顧了近幾年來基于評論數(shù)據(jù)的推薦技術(shù)，主要介紹了深度學(xué)習(xí)技術(shù)在該領(lǐng)域以及在推薦可解釋性方面的若干進(jìn)展，并對基于評論的推薦系統(tǒng)的發(fā)展趨勢進(jìn)行了展望。
下午首先為大家?guī)韴?bào)告的是合肥工業(yè)大學(xué)吳樂副教授，吳樂老師所作報(bào)告題目為“面向復(fù)雜社交多媒體平臺(tái)的個(gè)性化推薦算法: 準(zhǔn)確度與解釋性”。隨著在線社交網(wǎng)絡(luò)及智能移動(dòng)設(shè)備的普及，社交多媒體時(shí)代悄然來臨。用戶社交化與信息媒體化正悄然改變著人類分享交流及購買產(chǎn)品的方式。社交多媒體平臺(tái)豐富信息為理解用戶意圖鴻溝，提升個(gè)性化推薦的精確度與解釋性帶來了機(jī)遇。但同時(shí)，社交多媒體平臺(tái)數(shù)據(jù)的復(fù)雜異構(gòu)性與用戶興趣的復(fù)雜隱藏性也對研究提出了挑戰(zhàn)。吳樂老師的報(bào)告簡要介紹了團(tuán)隊(duì)在此方向的一些進(jìn)展，包括：社交網(wǎng)絡(luò)中基于傳播擴(kuò)散的社交推薦模型，多媒體平臺(tái)中的基于顯示媒體語義信息的可解釋個(gè)性化推薦模型，及社交多媒體平臺(tái)中融合多源異構(gòu)信息構(gòu)建的通用個(gè)性化推薦算法。
北京郵電大學(xué)助理教授王鵬飛為大家?guī)眍}為“基于時(shí)序特性的推薦系統(tǒng)的分析與研究”的報(bào)告，用戶行為的時(shí)序性是推薦場景中一個(gè)十分重要的特性，近年來引起了人們廣泛的關(guān)注，其中的核心問題便是如何圍繞用戶行為的時(shí)序性進(jìn)行推薦模型的設(shè)計(jì)。王老師的報(bào)告從時(shí)序推薦場景的上下文信息，以及時(shí)序模型選擇兩方面出發(fā)，對基于時(shí)序特性的推薦系統(tǒng)進(jìn)行深入的分析與總結(jié)，并對未來進(jìn)行了展望。
微軟亞洲研究院主管研究員王希廷所作報(bào)告題目為“可解釋推薦系統(tǒng)：身懷絕技，一招擊中用戶心理”，傳統(tǒng)的推薦系統(tǒng)將重心放在提高推薦準(zhǔn)確性上，與推薦對象的溝通通常考慮得不夠。可解釋的推薦系統(tǒng)能夠給出用戶最易接受的推薦解釋，充分抓住用戶心理與用戶溝通。研究發(fā)現(xiàn)，這樣的系統(tǒng)不僅能夠提升系統(tǒng)透明度，還能夠提高用戶對系統(tǒng)的信任和接受程度、用戶選擇體驗(yàn)推薦產(chǎn)品的概率以及用戶滿意程度等等。報(bào)告結(jié)合了最新發(fā)表的論文，介紹了可解釋推薦的分類、推薦解釋生成方法以及可解釋推薦面臨的機(jī)遇和挑戰(zhàn)。
第二天首先為大家?guī)韴?bào)告的是北京郵電大學(xué)石川教授，石教授所作報(bào)告題目為“基于異質(zhì)信息網(wǎng)絡(luò)的推薦技術(shù)與應(yīng)用”。當(dāng)前的社會(huì)網(wǎng)絡(luò)分析主要針對同質(zhì)網(wǎng)絡(luò)（即網(wǎng)絡(luò)中結(jié)點(diǎn)類型相同），但是現(xiàn)實(shí)世界中的網(wǎng)絡(luò)化數(shù)據(jù)通常包含不同類型的對象，并且對象之間的關(guān)聯(lián)表示不同的語義關(guān)系。構(gòu)建異質(zhì)信息網(wǎng)絡(luò)（即包含不同類型的結(jié)點(diǎn)或邊的網(wǎng)絡(luò)）可以包含更加完整的對象之間的關(guān)聯(lián)信息，因此分析這類網(wǎng)絡(luò)有希望挖掘更加準(zhǔn)確的模式。石教授團(tuán)隊(duì)將推薦系統(tǒng)的對象和交互關(guān)系構(gòu)建成異質(zhì)信息網(wǎng)絡(luò)，這樣可以融合更加全面的信息，包含豐富的語義。采用異質(zhì)信息網(wǎng)絡(luò)分析方法有潛力提升推薦性能，產(chǎn)生可解釋性推薦。報(bào)告主要介紹了近期在這方面的研究進(jìn)展以及應(yīng)用案例。
第二個(gè)為大家?guī)韴?bào)告的是中國科學(xué)技術(shù)大學(xué)連德富教授，他所作的報(bào)告題目為“面向高效在線匹配的推薦系統(tǒng)”，信息技術(shù)的快速發(fā)展導(dǎo)致信息過載問題出現(xiàn)。推薦系統(tǒng)是解決信息過載最有效的方式之一。近年來，深度學(xué)習(xí)的快速發(fā)展也帶動(dòng)了推薦系統(tǒng)的發(fā)展，各種基于深度推薦算法層出不窮。然而由于候選物品數(shù)量巨大且用戶興趣動(dòng)態(tài)變化，深度推薦算法的推薦復(fù)雜度巨大，難以在實(shí)際系統(tǒng)中直接部署使用。在深度推薦技術(shù)發(fā)展的同時(shí)，物品召回技術(shù)也有了較大的發(fā)展與進(jìn)步。連老師的報(bào)告簡要介紹了物品召回的相關(guān)技術(shù)，包括哈希學(xué)習(xí)、向量量化等。
27號下午有5位來自工業(yè)界的報(bào)告嘉賓為大家?guī)砹司蕡?bào)告，百度paddlepaddle主任研發(fā)工程師董大祥主要介紹了paddlepaddle在推薦場景場景下的并行訓(xùn)練技術(shù)，模型算法，案例應(yīng)用等。
BOSS直聘NLP中心負(fù)責(zé)人宋洋所作報(bào)告題目為“基于深度匹配技術(shù)的人崗?fù)扑]”，近年來，隨著互聯(lián)網(wǎng)求職招聘平臺(tái)的不斷發(fā)展，該場景下的雙邊匹配推薦問題越來越受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。報(bào)告主要圍繞BOSS直聘NLP中心近年來在KDD、CIKM和EMNLP上所發(fā)表的學(xué)術(shù)論文介紹了基于深度匹配技術(shù)的人崗?fù)扑]系統(tǒng)，分別是融合歷史行為偏好的人崗?fù)扑]，聯(lián)合雙邊意愿與匹配的人崗?fù)扑]，以及領(lǐng)域自適應(yīng)的人崗?fù)扑]。
京東商城數(shù)據(jù)科學(xué)實(shí)驗(yàn)室研究科學(xué)家王帥強(qiáng)為大家?guī)眍}為“京東商城推薦系統(tǒng)研究進(jìn)展”的報(bào)告，當(dāng)前推薦系統(tǒng)已經(jīng)成為電子商務(wù)網(wǎng)站的基本工具，在真實(shí)的線上系統(tǒng)中，由于用戶和商品的規(guī)模非常大，不可能預(yù)測用戶對每個(gè)商品的偏好程度。一般而言，在工業(yè)界，推薦系統(tǒng)排序的整個(gè)過程分為兩步：候選商品的選取，以及候選商品排序。報(bào)告分別介紹了京東商城推薦系統(tǒng)基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)對這兩個(gè)步驟的優(yōu)化探索。
美團(tuán)點(diǎn)評NLP中心的研究員知識圖譜團(tuán)隊(duì)負(fù)責(zé)人張富崢博士帶來題為“生活服務(wù)領(lǐng)域知識圖譜的構(gòu)建及應(yīng)用”的報(bào)告。作為全球領(lǐng)先的生活服務(wù)電子商務(wù)平臺(tái)，美團(tuán)點(diǎn)評擁有圍繞吃喝玩樂全場景的豐富數(shù)據(jù)，通過使用深度學(xué)習(xí)技術(shù)以及自然語言處理技術(shù)，對這些跨場景數(shù)據(jù)進(jìn)行充分挖掘、映射、聚合與關(guān)聯(lián)，美團(tuán)NLP中心構(gòu)建了一個(gè)全世界最大的餐飲娛樂知識圖譜——“美團(tuán)大腦”，來促進(jìn)每個(gè)場景下應(yīng)用服務(wù)的智能升級。報(bào)告主要介紹了知識圖譜基礎(chǔ)知識及行業(yè)現(xiàn)狀、"美團(tuán)大腦"的構(gòu)建方法、以及目前在搜索推薦、賦能商家等方面的一些初步進(jìn)展與落地場景。
阿里巴巴達(dá)摩院算法專家周暢所作報(bào)告題目為“認(rèn)知推薦的前沿研究與應(yīng)用”。傳統(tǒng)的推薦系統(tǒng)算法側(cè)重于關(guān)注點(diǎn)擊轉(zhuǎn)化等指標(biāo)的優(yōu)化，在電商環(huán)境下，推薦場景也承擔(dān)著種草養(yǎng)草的需求，需要主動(dòng)激發(fā)用戶潛在的興趣而非當(dāng)下或者已有的興趣。而這樣的定位需要我們能夠有辦法能夠找到打動(dòng)用戶的切入點(diǎn)并進(jìn)行合理的引導(dǎo)，這就對如何理解用戶提出了更高的要求。報(bào)告從認(rèn)知的角度，分享了阿里在用戶商品解離化表征學(xué)習(xí)、內(nèi)容生成以及推理方面的工作。
學(xué)會(huì)秘書處 供稿
