直播 | WWW 2021论文解读：生成式板块推荐的变分控制和评估

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到罗格斯大学（Rutgers）博士生刘殊畅，为大家在线解读其发表于 WWW 2021 的最新工作：Variational Control and Evaluation for Generative Slate Recommendation。对本期主题感兴趣的小伙伴，6 月 8 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。

直播信息

随板块推荐（Slate Recommendation）在推荐时会将一个包含多个 item 的板块打包成整体一起推荐，有别于传统的基于排名的推荐，它更加关注 item 在版块中的位置便好（positional bias）和 item 之间的相互影响。

为了从巨大的组合空间中学到有意义的版块构造和模式，生成式（Generative）的解决方案被用来直接从观测数据中提取这些信息并利用这些信息产生版块推荐。然而在实验观测结果中，推荐结果大部分情况下会出现两种极端情况之一：a）生成模型对观测数据拟合的很好，但是生成推荐时不易采样到相同分布从而无法满足准确性；b）生成模型能够很好的保证准确性，但数据中的variance没有学到导致推荐的 slate 容易重复。

本文研究的主要问题是：是否可以通过在学习和推荐时控制模型的 variance 来提高生成式板块推荐的有效性。 首先我们在传统的准确性指标之外，专门为生成式板块推荐方法增加了 slate variance 指标。通过对比不同的指标，我们发现生成模型的两个极端情况中间存在一个不易发现的但是相对有效的中间区域，这个区域的模型既能满足一定的准确率，同时能学到一定数据中的 variance。

然后我们对比了两种扰动（perturbation）方法是否能在保证准确的极端情况下提升 variance。两种方法中，生成前（pre-generation）扰动方法相比于生成后（post-generation）扰动方法在实验结果中更能够有效学到数据中的 variance 并同时保证推荐准确率。

论文标题：

Variation Control and Evaluation for Generative SlateRecommendations

论文链接：

https://arxiv.org/abs/2102.13302

本次分享的具体内容有： 

• Generative Recommendation

• Slate Recommendation

• Conditional VAE

嘉宾介绍

 刘殊畅 / 罗格斯大学（Rutgers）博士生 

刘殊畅，罗格斯大学（Rutgers）博士生在读，师从张永峰。研究方向包括生成式推荐方法和联邦迁移学习。

直播地址 & 交流群

本次直播将在 PaperWeekly B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。