点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
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
15:00-15:45
11月21日
讲者简介
丁蕊:
东北大学计算机科学与工程学院数据库与智能分析实验室2021级博士,指导老师为杨晓春教授。研究方向包括推荐系统留存优化,AI赋能的数据库设计,金融异常检测等。以第一作者身份在RecSys,ICDM,SDM等国际会议和期刊上发表论文多篇,以第一发明人授权国家发明专利两项,参加国家重点研发计划在内的多项国家级科研项目。入选2022年腾讯犀牛鸟精英人才计划,曾获ACM RecSys 2023 Best Short Paper Award,国家奖学金,东北大学校长奖学金等多项奖励和荣誉。获 2021年辽宁省优秀硕士学位论文奖,2021年东北大学优秀硕士学位论文奖。相关研究成果具有开创性意义,其推荐算法研究成果在腾讯微信看一看平台应用、资金流水异常检测研究成果在辽宁省4个相关政府部门落地实施。
报告题目
Interpretable User Retention Modeling in Recommendation
报告简介
在真实推荐系统中,用户留存率被认为是一个关键的能够刻画用户长期满意度的指标,它表示了今天访问推荐系统的所有用户在一段时间内(如次日)会返回系统的比例。用户留存率的增加不仅暗示着推荐精度的提升,更代表了系统忠实用户群体的扩大,所以用户留存的优化十分重要。尽管非常少的先驱工作已经开始探索推荐系统中的用户留存优化问题,但他们关注点集中于用户留存率的提升,而较少深入探究“用户留存的真正原因是什么”。事实上,“用户留存原因(用户为什么返回推荐系统)”或者说“用户点击/浏览的哪些物品决定了他未来的留存”是非常重要的。这些因素能够在黑盒数据和指标之外提供高可解释性,使推荐系统为用户提供更高质量的服务,从而提升用户的长期满意度,这些因素的挖掘将促进推荐生态系统的重构和持续优化。但“用户留存的真正原因是什么”仍然是推荐系统研究的“塔尖难题”。报告主要介绍讲者以腾讯微信看一看推荐系统为平台进行的一系列关于用户留存机理的探索,尝试从一个不同的角度理解推荐机制和用户真实需求,希望能够抛砖引玉,为未来用户留存优化的研究工作提供一些方向与思考。相关研究成果获ACM RecSys 2023 Best Short Paper Award。
15:45-16:30
11月21日
讲者简介
孙亚童:
东北大学计算机科学与工程学院数据库与智能分析实验室2020级博士,指导老师为王斌教授。致力于序列推荐任务中的数据可靠性研究,通过数据和理论分析,挖掘和修正不可靠数据,系列工作发表于IJCAI-21, TOIS-23, NeurIPS-23等CCF推荐的A类会议和期刊。
分享内容
Robust Sequential Recommendation
报告简介
序列推荐算法(Sequential Recommendation)的训练模式一般是让模型学习如何以用户历史行为序列作为输入,预测用户的未来目标。这一训练模式假设用户的未来行为必然与历史行为相关(即训练样本的目标和输入必定匹配)。但实际场景中,用户的行为往往具有一定随机性(如误触)或受到外部环境的干扰(如朋友的推荐),这导致训练样本中可能存在输入与目标不匹配的不可靠训练样本。为应对此问题,Robust Sequential Recommendation 应运而生。报告主要介绍讲者在不可靠数据的存在性证明、准确识别、以及有理论保证的修正等方面的工作。
添加“AI TIME小助手(微信号:AITIME_HY)”,回复“RS”,将拉您进“AI TIME RS 交流群”!
AI TIME微信小助手
往期精彩文章推荐
关注我们 记得星标
关于AI TIME
AI TIME源起于2019年,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索,加强思想碰撞,链接全球AI学者、行业专家和爱好者,希望以辩论的形式,探讨人工智能和人类未来之间的矛盾,探索人工智能领域的未来。
迄今为止,AI TIME已经邀请了1400多位海内外讲者,举办了逾600场活动,超600万人次观看。
我知道你
在看
哦
~
点击 阅读原文 预约直播!