孙爱欣教授：推荐系统研究现状的理解 | AI2000 直播明天14:00

AITIME论道

于 2024-05-28 18:04:19 发布

阅读量660

点赞数

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTAxOTk3Nw==&mid=2247524726&idx=1&sn=f9fc594ad6818f5a1db5d3f6fa08e58f&chksm=e87fa7c02c9da9d4b20afa07f62833b64e9a12ba90d1c3ff1a7071a97efc0d11c26dc58c283a&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！

AI 2000

推荐系统研究现状的理解

2024年5月29日 14:00

孙爱欣

南洋理工大学副教授

2001年和2004年分别获得计算机工程一等荣誉学士学位和博士学位。研究兴趣包括信息检索、文本挖掘、推荐系统、和社会计算。孙博士现担任ACM TOIS，Neurocomputing, ACM TALLIP的副编辑，以及JASIST的编委成员，他也曾担任WSDM2023的DC Co-Chair，SIGIR2020、ICDM2018、CIKM2017的Demo Co-Chair，以及多个国际会议的领域主席、高级程序委员会或程序委员会成员。孙爱欣发表过200多篇论文，他的论文被引用超过19200次，H指数超过60。

演讲信息

主题：

推荐系统研究现状的理解

简介：

推荐系统的问题定义通常是从各种推荐应用中抽象出来的，以便达到简洁的问题表述和更具普适性的研究成果。然而，目前推荐系统的学术研究在多个层面上缺乏共识，例如基线模型的选择、评测方法以及数据集的使用。缺乏共识的根源可能在于对推荐问题的过度简化，以及过度强调对用户决策结果的建模，而非用户决策过程的建模。也就是说，我们通常将推荐任务理解为如何在一个静态的用户-物品交互矩阵中预测缺失的数据，而不是在特定场景中的动态环境下预测用户的下一次交互。基于我们过去五年在推荐系统评测和数据集分析方面的工作，我们重新审视推荐系统的问题定义，并为缺乏共识的现象提供一种解读。