视频——中文信息学会青工委学术沙龙：推荐系统前沿进展

本文链接：https://blog.csdn.net/Drogal_dracarys/article/details/131156853

中文信息学会青工委学术沙龙：推荐系统前沿进展

在这里插入图片描述

在互联网大数据背景下，无论是信息消费者还是信息生产者都受到了信息过载问题的严重困扰。近年来，从海量数据中挖掘用户的偏好，并据此为用户提供个性化推荐日渐被工业界和学术界所重视，并逐渐成为各大互联网平台的重要组成部分。目前推荐系统技术涵盖信息检索，自然语言处理、知识图谱和社会网络分析等相关领域。

由中国中文信息学会-青年工作委员会举办的2020年学术沙龙系列活动，在北京智源人工智能研究院的支持下，第一期活动中文信息学会青工委学术沙龙：“推荐系统前沿进展”将于2020年5月10日下午召开。

为了推进国内在该领域的发展，本次学术沙龙邀请了四位在推荐系统领域造诣颇深的青年老师介绍推荐系统相关方面的最新技术进展与应用探索，视角涵盖新闻推荐、用户兴趣建模、知识图谱和图神经网络等。

报告会举办时间

2020年5月10日（周日）

下午14:00-17:30

报告会举办方式：

线上直播，进微信群获取直播间地址

CIPS青工委学术沙龙主席

在这里插入图片描述

刘康

中科院自动化所研究员，博士生导师

CIPS青工委主任

本场学术沙龙主席&主持人

在这里插入图片描述

李晨亮

武汉大学国家网络安全学院副教授，博士生导师

演讲嘉宾

在这里插入图片描述

赵鑫

中国人民大学信息学院副教授，智源青年科学家

研究领域为自然语言处理以及数据挖掘。目前主要关注的研究问题为面向知识信息的计算推理模型。在国内外学术期刊与会议上发表论文近80篇。

在这里插入图片描述

任昭春

山东大学教授

研究领域为信息检索和自然语言处理。在相关国内外会议期刊发表论文70余篇。

在这里插入图片描述

吴方照

微软亚洲研究院研究员

研究领域为自然语言处理，推荐系统以及用户建模。

在这里插入图片描述

王翔

新加坡国立大学NExT中心博士后

研究领域为推荐系统、数据挖掘、图学习。

会议日程

14:00-14:05

开场致辞 - 刘康 CIPS青工委主任

14:05-14:50

赵鑫中国人民大学信息学院副教授，智源青年科学家

报告题目：

融入知识信息的用户数据建模

报告摘要：

最近几年，知识图谱在各领域得到了广泛应用。本次报告将从推荐系统的角度来介绍报告人在这一方向的研究工作，关注知识信息在用户兴趣建模和推荐算法中的应用。特别地，将首先介绍知识图谱与推荐系统的链接数据集合KB4Rec。其次介绍报告人发表在SIGIR，WSDM以及WWW等会议的工作，将主要关注对于用户偏好的解释以及知识信息的融合与利用。

本场学术沙龙的首个报告来自中国人民大学赵鑫老师的《知识驱动的智能化推荐算法研究进展汇报》，系统的介绍了推荐算法概况以及推荐算法面临的技术挑战，并结合课题组相关工作详细介绍了知识驱动的智能化推荐算法的研究进展。
在这里插入图片描述

研究关注点

在这里插入图片描述

山大老师 -NLP在推荐系统的应用（不错）

可解释性
多任务模型
对话推荐可解释
对话-推荐颠覆了传统的对话
利用因果来做推荐，现有的框架来解释这个问题？
可解释推荐很多都是基于知识图谱的推荐，推荐出path或者多跳的形式，关于因果是下一步要做的工作，是自然而然要做的工作，算是一个可解释推荐的方向。本身更符合人的思维过程。

15:50-16:35
吴方照微软亚洲研究院研究员

报告题目：

基于深度学习的个性化新闻推荐

报告摘要：

基于用户兴趣的个性化新闻推荐是解决新闻信息过载、提升用户体验的重要技术，被广泛应用于各种网络新闻产品中。近年来基于深度学习的个性化新闻推荐受到越来越多的关注，并在一些重要网络新闻平台取得了良好的效果。在本次报告中我们将介绍自己在这一领域的一些研究工作，包括新闻内容理解，用户兴趣建模等，以及对于一些未来方向的思考。

在第三场题为《基于深度学习的个性化新闻推荐》的报告中，来自微软亚洲研究院的研究员吴方照首先简要介绍了个性化新闻推荐的应用场景及关键研究问题，重点分析了基于深度学习的个性化新闻推荐的一些研究进展，并对微软新闻推荐数据集进行了介绍，以及分享了对于未来方向的一些思考。
在这里插入图片描述
微软亚洲研究院，社会推荐

什么是新闻推荐？今日头条，个性化新闻推荐
d 在这里插入图片描述新闻推荐的独特挑战

新闻模型建模、特征
用户模型建模、特征
相似度匹配
2017年的yahoo Japan的文章，用的自编码机，现在看来自编码机有点老了，可以用其他更新的模型来进行提升
个性化新闻推荐，注意力机制
LSTURL:CNN+Attention的方式，同时建模使用长期兴趣和短期兴趣，同时用到了新闻的标题和新闻的类别信息，比较了很多方法，最后发现CNN比较好。同时使用长期兴趣的短期兴趣，效果更好。
CPRS:个性化的阅读速度建模
GERL: …
在这里插入图片描述

16:40-17:25
王翔新加坡国立大学NExT中心博士后

报告题目：

当个性化推荐遇上知识图谱

报告摘要：

在信息爆炸和互联网+的时代，个性化推荐已经成为一个面向用户服务的关键技术，其核心是依据用户的习惯与爱好推荐合适的产品，从新闻、购物、娱乐到金融投资、智能医疗、自适应教育；与此同时，知识图谱作为一种新兴的知识载体，将现实世界的普遍共识、特定领域的专家知识、甚至人类的认知感知组织成一个关系网络，为“万物互联”提供了有力支撑。当“知识图谱”遇到“个性化推荐”，便产生了无限可能！个性化推荐将更为智能，能够洞察用户行为背后的意图动机，返回更为精准、多样化的推荐结果，并提供更为可信、交互性更强的推荐理由，增强用户对推荐技术的黏性和信任度。本次分享的内容将涵盖近几年的多种知识图谱与个性化推荐融合方式的介绍：基于路径、基于表征学习、基于图神经网络、基于强化学习的方法，与大家一同探究潜在的科研方向和应用价值。

最后一场报告是来自于新加坡国立大学NExT中心的王翔博士的《当个性化推荐遇上知识图谱》，简要分析了知识图谱在个性化推荐领域的应用背景，并详细介绍了课题组在个性化推荐中的相关研究技术与进展，包括基于路径、基于表征学习、基于图神经网络等知识图谱在推荐系统中的融合技术。

在这里插入图片描述

个性化搜索+知识图谱

2020 比较火的知识图谱，融入到推荐系统中去
知识图谱提供了一个可推理的能力，多跳。使用知识图谱将用户和商品建立链接，将用户兴趣与商品建立链接。进行不同领域推荐的联动。

个性化推荐与大众推荐结合

tt：未来的推荐系统，跟计算机的各种功能的结合体？推荐软件？
满足各种生活需求，推荐和搜索连接，不同领域的推荐对齐？
user和item都作为主体？个人的空间和不同领域的空间，收藏夹，用来进行人物建模，物品，同样也可以进行不同领域的链接。随着时间的积累，加入进化算法，用AI对其进行更新。可以建立一个新的公司来支持。

tt：图的知识用来连接事物。建立逻辑关系，可解释关系，逻辑关系，序列关系？
比如一辆车，可以作为一个系统，各种不同的组件，组件亦可以作为一个系统，产地，颜色，结构。产地也可以作为一个系统，位置，经济，工业，厂家。颜色也可以作为一个系统，这样知识就多起来了，通过颜色和厂家还可以进行其他的链接，链接其他的实体，万物互联。持续搜索，时间复杂度？暂时对于每个系统建立10层的深度，系统种类太多了。

tt：序列模型用于学习单线的逻辑关系。