PhD Debate | 自监督学习在推荐系统中的应用

AITIME论道

于 2022-06-08 08:30:20 发布

阅读量487

点赞数

文章标签：人工智能数据挖掘算法机器学习深度学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTAxOTk3Nw==&mid=2247502541&idx=2&sn=bc4895c2bd77cc01ad64936ec61ad2c9&chksm=e932f86bde45717d0b587b3de5881ced9e1d58f54f3ef1ae38bf93ea7155308d6becc998238e&scene=126&&sessionid=0

版权

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

6月11日19:00-20:30，本期PhD Debate直播间邀请了来自香港大学计算机学院助理教授黄超、新加坡国立大学博士后张震、清华大学博士生武楚涵和中国科学技术大学博士生吴剑灿，与大家一起聊一聊自监督学习在推荐系统中的应用。

近年来，自监督学习在各个领域得到了广泛的应用。通过引入额外的监督信号，来解决数据稀疏性的问题。

1、针对于不同的推荐场景，如何更好地设计出自监督的辅助任务，从而增强用户表征学习?

2、在不同的推荐场景中，自监督对比学习任务构建有什么不同的有效方式？

3、在不同的场景中自监督学习面临什么挑战？

4、多模态的数据引入到推荐系统中，如何更好地实现模态数据的融合？

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号预约直播

★ 嘉宾简介 ★

黄超：

香港大学计算机学院助理教授，博士生导师。目前主要的研究方向为人工智能，数据挖掘，时空数据分析，图神经网络，推荐系统。在KDD, WWW, SIGIR, ICDE, AAAI, IJCAI, CIKM, WSDM等数据挖掘和人工智能领域顶级会议发表论文40余篇。以第一作者及通讯作者发表的论文分别获得WWW’2019，WSDM’2022最佳论文提名。与此同时，连续担任了KDD, SIGIR, WWW, NIPS, ICLR, AAAI, IJCAI, WSDM, CIKM等会议的评审委员会委员，以及TKDE, TOIS, TIST, TOC, TKDD, TNNLS等期刊的长期审稿人。并且被WSDM’2020和WSDM’2022会议授予优秀评审委员奖。所研发的用户建模算法和系统被部署运用于海量的用户数据平台，相关研究成果被多家著名学术媒体报道。

张震：

新加坡国立大学博士后。目前主要的研究方向是数据挖掘、图神经网络等。曾在KDD、WWW以及TKDE等数据挖掘顶级会议或者期刊上发表学术论文数篇，担任过AAAI，MM，ECCV，CIKM等多个知名学术会议的评审委员会委员，以及TKDE，Neural Networks，ACM Computing Surveys等期刊的长期审稿人。

武楚涵：

清华大学电子工程系博士生。主要研究方向为推荐系统，用户建模与自然语言处理。曾在TOIS和TIST等学术期刊以及KDD和ACL等学术会议发表论文若干，谷歌学术引用1800余次，h指数24，曾获得微软学者等荣誉。曾经或正在担任多个知名学术会议的（高级）程序委员会委员、研讨会程序主席、多个Transaction期刊审稿人以及Frontiers in Public Health客座编辑等，多项研究工作落地于实际商业推荐与广告系统之中。