导读：12月20日，09：00-12：40，受DataFunTalk组委会邀请，阿里妈妈资深算法专家朱小强老师将担任DataFunTalk年终大会推荐算法论坛出品人，并邀请来自阿里、快手、58同城、陌陌等公司的9位嘉宾，就推荐算法的核心技术进展与工业级端到端业务实战话题进行分享，感兴趣的小伙伴欢迎上车！
01
论坛及日程
| 论坛名称 | 推荐算法论坛 |
| 论坛时间 | 12月19日，09:00-17:40 |
| 论坛出品 | 朱小强 阿里妈妈 资深算法专家 |
| 上半场 | 核心技术的最新进展 |
| 分享时间 | 分享内容 |
| 09:00-09:40 | BSAT：阿里基于深度树匹配的召回技术演进 阿里妈妈算法专家 |
| 09:45-10:25 | 粗排技术体系与最新进展 阿里妈妈算法专家 |
| 10:30-11:10 | EdgeRec：边缘计算在推荐系统中的应用 阿里巴巴算法专家 |
| 11:15-12:00 | 算力效能技术体系与最新进展 阿里妈妈算法专家 |
| 下半场 | 工业级端到端业务实战经验 |
| 分享时间 | 分享内容 |
| 13:30-14:10 | 多目标排序在快手短视频推荐中的实践 快手推荐算法技术总监 郑东 博士 |
| 14:15-14:55 | 排序模型在淘宝直播的迭代演进与应用 阿里巴巴算法专家 纪志辉 |
| 15:00-15:40 | 多业务融合推荐场景下的深度学习实践 58同城高级架构师 罗景 |
| 15:45-16:25 | 跨场景酒店推荐实践 阿里飞猪高级算法专家 瑜亮 |
| 16:30-17:10 | 模型化召回在陌陌社交推荐的应用和探索 陌陌高级算法专家 吴保鑫 博士 |
论坛报名
识别二维码，免费报名
02
详细介绍
出品人：
朱小强
阿里妈妈 | 资深算法专家
上半场：核心技术的最新进展
卓靖炜
阿里妈妈 | 算法专家
演讲者简介： 卓靖炜，花名靖炜，阿里巴巴广告产品技术事业部定向技术团队成员，主要负责商品/广告推荐算法匹配（Matching）相关工作，在IJCAI, ACL, ICML等会议上发表论文多篇。
演讲议题：BSAT——阿里基于深度树匹配的召回技术演进
演讲议题介绍：介绍TDM这一阿里定向团队自主研发的召回通用模型框架，围绕着我们发表在ICML 2020的最新工作，分享我们近一年在这个方向上的思考、探索及业务落地经验。
听众收益：我们通过分享TDM在前沿技术探索&业务应用实践的经验与思考，希望能让听众获得一些新的启发。
新技术/实用技术点：解决树全库检索模型在训练与检索不一致的问题
王哲
阿里妈妈 | 算法专家
演讲者简介： 中国科学技术大学计算机硕士，擅长自然语言理解，深度学习，个性化推荐等。曾在蚂蚁金服负责跨境游推荐;现负责阿里妈妈定向广告粗排及前后链路联动的相关工作。
演讲议题：粗排技术体系与最新进展
演讲议题介绍：结合阿里妈妈定向广告业务，介绍粗排的技术体系演进和最新进展
听众收益：了解粗排最新进展
新技术/实用技术点：新一代粗排COLD
龚禹
阿里巴巴 | 算法专家
演讲者简介： 龚禹 ( 花名：凛至 )，2017年硕士毕业于上海交通大学，现任阿里巴巴搜索推荐事业部算法专家，曾在SIGIR、KDD、AAAI等发表多篇论文，其中IRGAN曾获SIGIR2017最佳论文提名。研究方向包括了推荐系统与自然语言处理等，目前专注于边缘计算与推荐系统的结合，主导的EdgeRec系统已经在手淘推荐场景大规模落地。
演讲议题：EdgeRec——边缘计算在推荐系统中的应用
演讲议题介绍：端上推荐系统（EdgeRec）首次在手淘信息流推荐中大规模使用端上AI技术， 在客户端实现了对用户行为的实时感知，应用深度神经网络进行用户意图识别，并根据识别结果进行智能决策，做到推荐内容的实时更新，大幅提升个性化推荐效果和用户体验。本次演讲会带大家了解EdgeRec从0到1的发展路程、技术细节和未来的发展方向。
新技术/实用技术点：
边缘计算、重排序、推荐系统架构创新
姜碧野
阿里妈妈 | 算法专家
演讲者简介： 碧野本科就读于清华大学计算机系，博士毕业于加州大学伯克利分校， 机器学习方向，目前就职于阿里巴巴定向广告团队，专注于广告系统的算力效能优化。曾参与举办icmlviz深度学习可视化，dlp-kdd高维稀疏数据的深度学习workshop。
演讲议题：算力效能技术体系与最新进展
演讲议题介绍：众所周知，深度学习给互联网商业场景带来了巨大的效果收益，但同时也带来了巨大的算力需求。随着模型复杂度的提升，算力供给和算力需求间的鸿沟也越来越大。本次演讲将会介绍定向广告在算力效能优化方面的相关工作，包括算法-工程co-design的模型预估优化，效能迭代方法论，全链路动态算力分配等内容。
下半场：工业级端到端业务实战经验
郑东
快手 | 推荐算法技术总监
演讲者简介： 2012年博士毕业于清华大学，2017年加入快手做发现页的短视频推荐优化，完整经历了快手短视频排序模型LR到DNN再到复杂多目标学习的演进， 和排序机制从简单公式排序到多层次模型排序和自动调参的完整过程。加入快手前曾在美团做搜索广告算法的优化工作。
演讲议题：多目标排序在快手短视频推荐中的实践
演讲议题介绍：快手的短视频推荐需要兼顾点击、播放时长、VV、互动、负反馈、上传等很多目标，本次演讲介绍多目标学习、多目标排序在快手短视频推荐中的实践。
听众收益：了解多目标学习和多目标排序在短视频推荐领域的实践，学习新技术与真实复杂业务场景结合的第一手资料。
新技术/实用技术点：Multi-Task Learning、Ensemble Sort、Learn to Rank，在线自动调参、强化学习Rerank，端上Rerank等
纪志辉
阿里巴巴 | 算法专家
演讲者简介： 纪志辉，毕业于中科院计算所，阿里巴巴算法专家，目前负责淘宝直播的推荐算法相关工作。
演讲议题：排序模型在淘宝直播的迭代演进与应用
演讲议题介绍：淘宝直播近两年在排序模型上进行了持续的迭代优化和演进落地，在多目标学习、跨场景迁移、召回匹配、大促gmv优化上都有比较成功的应用实践，此外在全屏页上下滑场景上也有自己独特的建模思路和方案。
听众收益：议题所讲内容都是在淘宝直播业务上实践落地的算法，比如多目标学习、多场景迁移、电商大促gmv优化等，我们的建模思路和实现方案都是简单易懂易用又带有一点新颖性，希望可以给听众带来一些在推荐算法实践应用中的建模方法和思路
新技术/实用技术点：DBMTL多目标学习、多场景多任务学习、Deep Match&Rank
罗景
58同城 | 高级架构师
演讲者简介： 58同城TEG推荐技术团队负责人/高级算法架构师。TEG推荐技术团队以提升连接效率/打磨关键技术能力/服务业务产品为团队愿景，在工程架构/模型算法/产品形态上持续迭代升级。目前，排序模型上，基于序列化模型组件等构建了适配58业务特点的多通道深度模型架构，成为了主要场景的主流线上模型，仍在进一步结合业务探索新模型架构/强化学习/迁移学习等的落地应用，期待和大家进一步探讨交流。
演讲议题：多业务融合推荐场景下的深度学习实践
演讲议题介绍：首页猜你喜欢是典型的多业务融合推荐场景，物料属性/用户兴趣/反馈统计等常用特征存在对齐困难，特征工程代价相比单业务推荐显著增加，无论是传统模型还是深度模型，优化难度大，天花板低。针对这一挑战，在借鉴业界序列化模型组件的基础上，逐步形成了适配业务特点的1+N多通道模型架构，1代表定制化通道，通过预训练的各种向量化表示，允许工程师基于对业务的理解，结合场景特点进行各种形式的交叉定制，N代表基于用户搜索/点击/转化等多种行为序列，构建的用户深度兴趣表征。该模型架构以用户行为序列作为核心输入，显著降低了特征工程代价，效果相比XGB/DeepFM等模型实现了显著提升，同时灵活性上，定制化通道提供了模型工程的定制可能以及行为序列针对不同场景的适配能力。
听众收益：
针对多业务融合场景，如何构建多通道深度学习模型
多通道深度学习模型如何在不同的场景下适配
新技术/实用技术点：多通道深度学习模型
瑜亮
阿里飞猪 | 高级算法专家
演讲者简介： 2017年加入飞猪技术部，目前负责酒店导购算法团队，建立了飞猪酒店导购全链路的推荐场景，同时结合酒店的行业特性，提出了时空特色的酒店召回框架，并在此基础上构建了基于用户意图的酒店全域Rank体系。
演讲议题：飞猪推荐算法——跨场景酒店推荐实践
演讲议题介绍：不同于内容推荐以及传统的实物电商推荐，旅行行业的用户行为相对稀疏，同时旅行行业又具有季节性、周期性，导致传统的推荐系统召回类型如I2I无法满足用户需要，因此可以尝试通过对酒店的用户进行简单的人群划分，再结合用户的LBS以及时空因素进行推荐。另一方面，推荐场景间的割裂，往往导致用户无法获得连贯性的用户体验，因此在Rank环节需要对多推荐场景进行统一建模，充分学习场景的共性，并根据用户的真实意图，进行差异化的推荐。
演讲提纲
1. 在线旅行行业用户分析
2. 飞猪酒店导购全链路推荐场景的构建
3. 具有时空特色的酒店召回框架
4. 基于用户意图的酒店全域Rank体系
5. 思考及展望
听众收益：
在旅行场景中，推荐算法的难点与应对
如何深度贴合业务，构建不同的算法模型
新技术/实用技术点：
基于LSTNet的时空特色召回技术
酒店全域意图感知模型的构建
吴保鑫
陌陌科技 | 高级算法专家
演讲者简介： 吴保鑫，2015年中科院自动化所博士毕业。2015年-2019年期间，搜狗商业广告算法研究员，负责垂类搜索广告、输入流广告的系统构建和策略研发，主要工作包括搜索场景和聊天场景的商业意图理解、广告物料的高层表征建模、广告检索系统的优化升级等。2019年6月入职陌陌科技，负责社交推荐场景用户理解和召回策略的研发工作。从0到1的构建社交推荐的模型化召回体系，多维度把握用户的社交兴趣偏好，提高平台社交匹配效率；构建基于多模态表征学习的内容理解体系和刻画用户圈层的用户画像体系，为社交推荐策略提供底层技术支撑。
演讲议题：模型化召回在陌陌社交推荐的应用和探索
演讲议题介绍：在陌陌的社交推荐体系中，模型化Recall在召回模块中起到了决定性作用。本次演讲主要介绍模型化Recall在陌陌社交推荐中的技术探索和具体落地应用，重点介绍基于用户行为驱动和社交关系网络的个性化召回通道的构建方式、用户实时性兴趣偏好的捕获方法及如何提高分发场景中用户之间社交匹配性。
听众收益：了解陌陌在以陌生人为主体的社交推荐领域召回侧的技术落地方案及最新技术探索；了解模型化召回的基本技术框架和实现方式；了解如何基于表征学习提高社交场景中陌生用户之间匹配关系。
新技术/实用技术点：基于Ann检索的向量化召回框架；基于用户行为驱动的深度匹配模型召回技术；基于社交关系的用户图表征建模技术；多模特动态内容语义表征建模技术。
03
论坛报名
识别二维码，免费报名
333
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
