会议交流 | 大模型如何优化GNN推荐系统？

转载公众号 | DataFun

---

病毒式营销算法如何选择？

基于GNN的社群挖掘如何做？

GNN推荐模型的预训练和微调如何设计？

大模型如何优化图推荐系统？

6月22日，邀请您参加DataFunSummit2024: 推荐系统架构峰会-图与推荐论坛，共同探讨大模型时代，图推荐系统的前沿技术与最新落地经验，感兴趣的小伙伴欢迎识别二维码免费报名，收看直播：

扫码免费报名

论坛日程

详细介绍

出品人：林文清 腾讯IEG 社交算法团队负责人

个人介绍：IEG公共数据平台部社交算法团队负责人，研究方向是社交网络推荐算法和图数据挖掘分析，主要负责大规模游戏社交网络方面的技术研发与应用。2014年博士毕业于新加坡南洋理工大学，在国际主流会议和期刊上已发表三十余篇论文，包括KDD、WWW、SIGMOD、ICDE、PVLDB等，他的论文被评选为ICDE 2015最佳论文之一。除此之外，他还长期受邀担任IJCAI、KDD、WWW等国际会议程序委员会委员和多个学术期刊的审稿专家，曾获得CIKM 2021最佳评审奖。在腾讯工作期间获得过多个专利和奖项荣誉，包括腾讯卓越运营奖、腾讯业务突破奖、腾讯代码奖、腾讯知识奖等。

张诗奇 新加坡国立大学 博士

个人介绍：张诗奇，新加坡国立大学计算学院博士毕业。他的研究兴趣集中在随机游走邻近度和社交影响力两方面的高效计算及其实际应用。作为第一作者，他在SIGMOD、SIGKDD、WWW等CCF-A类会议上发表了5篇论文，并在IJCAI等多个国际会议上担任审稿人。他曾在腾讯互动娱乐事业群公共数据平台科研实习，并荣获月度最佳员工奖。此外，他还获得了新加坡国立大学计算机科学学院颁发的研究生研究优秀奖和研究成就奖。

演讲题目：社交传播和影响力算法在腾讯游戏中的应用实践

演讲提纲：本次学术报告将分享新加坡国立大学与腾讯互娱在游戏领域的最新研究成果，主要围绕社交传播模型和影响力算法的应用进行展开。通过对KDD2023和WWW2024两篇研究的介绍，探讨如何有效提升游戏的用户活跃度和参与度。首先，报告将介绍一种基于邀请场景的传播模型，该模型充分考虑了用户在社交网络中的行为转化过程。通过这一模型，腾讯游戏能够在熟人推荐和营销传播活动中更精准地识别和吸引潜在用户，从而提高活动的参与率和转化效果。其次，报告将展示一种影响力最大化算法变种，该算法针对熟人推荐场景进行了特别优化。通过这种算法，可以进一步扩大活动的影响力和传播范围，为腾讯游戏带来更广泛的用户基础和更高的市场渗透率。本报告将为听众提供社交传播和影响力算法在游戏行业，特别是在腾讯游戏中的应用案例和实践成果。通过这些研究成果，我们可以更好地理解社交网络在游戏推广和用户互动中的作用，以及如何通过算法优化来提升游戏的市场表现。

听众收益：

1. 社交传播模型和影响力算法在游戏场景中的应用

2. 病毒式营销算法的选择

3. 结合用户传播能力的好友排序

毕文东 腾讯IEG 高级算法研究员

个人介绍：腾讯高级算法研究员，主要研究方向为图神经网络、社交网络挖掘，中科院计算所硕士，曾获国奖、北京市优秀毕业生，一作论文发表在 KDD、WWW、CIKM、WSDM 等国际学术会议。

演讲题目：社群推荐算法在腾讯游戏的实践

演讲提纲：游戏内玩家之间复杂的交互关系构成了游戏社交网络，而社交网络中兴趣相似的人聚集在一起形成多个社群，研究表明，社群中的用户在整体上具有更高的活跃度，通过给玩家推荐合适的社群从而吸引更多玩家加入社群，利用高活跃玩家带动低活跃玩家，对提升整个游戏的用户活跃具有重要的意义。基于腾讯游戏社群推荐场景，我们提出了自适应K-Free社群挖掘算法和ComRec社群推荐算法，并在腾讯游戏社群推荐场景取得了显著效果提升，相关论文已经发表于KDD2023、KDD2024国际会议上。

听众收益：

1. 了解社群挖掘和推荐算法在腾讯游戏场景中的应用

2. KDD24论文分享：基于GNN的自适应K-Free社群挖掘算法

3. KDD23论文分享：含约束的社群推荐算法ComRec

杨雨豪 香港大学 博士研究生

个人介绍：杨雨豪同学是香港大学二年级在读博士生，导师为黄超老师。他最近的研究兴趣关注于图机器学习、大语言模型以及推荐系统。他的研究工作曾经获得SIGIR'22最有影响力论文以及WWW'23最有影响力论文。他发表在WWW'24的关于图预训练及动态微调的研究工作落地在微信的大规模工业级场景中，增强数亿用户每天的内容推荐和消费体验。

演讲题目：推荐系统的图预训练及微调

演讲提纲：

1. 一个更好的、更贴近真实落地应用的推荐系统学术研究的训练与评估范式是怎样的？

2. 在动态的真实世界工业级场景下，我们如何处理图神经网络在推荐系统上面临的动态性问题？我们如何通过巧妙的预训练和微调范式解决这样的问题？

3. 我们的研究在离线和在线A/B场景中收获了怎样的效果？

听众收益：

1. 在推荐系统的学术研究中如何更好地处理模型的训练和评估

2. 如何设计图神经网络的预训练和微调机制

3. 在真实流式推荐场景中，如何通过上述设计赋能工业级GNN推荐模型

任旭滨 香港大学 博士研究生

个人介绍：香港大学一年级博士生， 导师为黄超老师，研究方向为图神经网络，推荐系统，大语言模型。其工作曾发表在ICLR, SIGIR, WSDM, CIKM, WWW等会议上，并且担任WWW, KDD, CIKM, TOIS等会议及期刊的审稿人。开源项目SSLRec的主要贡献者。

演讲题目：如何利用大语言模型优化图推荐系统

演讲提纲：本次演讲将从两个方向角度讨论如何利用大语言模型赋能现有的推荐系统算法，第一种方式是利用语言模型获得的文本模态特征来优化图推荐系统的表征学习（RLMRec），第二种方式是利用大语言模型结合推荐算法的表征进行推荐行为的解释（XRec）。

听众收益：

1. 图推荐系统基本知识

2. 利用语言模型增强推荐算法性能

3. 利用大语言模型实现可解释推荐

扫码免费报名

峰会完整日程

---

OpenKG

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。