【AI TIME 2020年中国科技峰会系列活动青年科学家沙龙】记录

一、直播视频回放地址：

https://www.bilibili.com/video/BV16D4y1o7YS?p=1&share_medium=android&share_plat=android&share_source=COPY&share_tag=s_i&timestamp=1601175365&unique_k=hZcenF

2:20 《智能人机互动》 喻纯 <- 打call
24:15 《基于迁移学习的任务型对话系统研究》 车万翔
46:00 《因果推理赋能推荐系统初探》 冯福利
76:30 《知识图谱融合中歧义性与异质性问题的讨论》 张静
98:00 《AI驱动的智慧人才技术体系》 张鹏
119:50 《认知与推荐系统》 周畅
144:20 《思辨 推荐系统》 多人

二、思辨推荐系统

论道推荐系统之“效率”

人员：张静（人大）、程祥（北邮）、张敏（清华）、陈炜鹏（搜狗）、张鹏（北京智谱华章科技有限公司CTO）

内容：

 （1）推荐的本质是满足用户可能自身都不知道的喜好需求。  推荐=你猜？

推荐场景，内容生态，关注用户的满足性，算法精准性。

（2）信息流推荐、商品推荐。

一个场景下互补、同类推荐。买手机1-2年不推荐手机，买牛奶10来天就推荐。

（3）召回率、准确率是基本的评测指标

实际应用中还是用户的反馈。

（4）推荐系统黏住用户，公司-用户，计算广告更多是流量变现，商业（公司-用户-广告主）。

（1）图结构复杂性与推荐结果召回率的矛盾

通用性图谱、垂直（专用）图谱

图表示学习能很好建模用户-物品关系，计算效率瓶颈

知识图谱用于推荐：RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems，论文发表于CIKM2018。

（2）知识图谱

可解释性：2012年张敏团队挖掘用户评论文本方面特征。

图谱、图片解释，一图胜千言。

解释会不会带来信息的bais，怎么保证解释的准确性，怎么评价解释的好坏？

端到端没有过程，不可解释，

端到端，拆解成若干段，每一段看看能不能解释。

Neual model 方法增加可解释性：（1）中间加探针，每个阶段输出清楚（2）比如说用一个决策树模型与一个Neual model共同学习，一起出了结果。Neual model虽然不可解释，但是决策树模型可以（3）加入logical到Neual model，神经元有含义了。

神经网络+Attention也可以具有可解释性

可解释性可要看场景。

（3）离线、在线实验差别

离线：设定了统一的标准，横线比较，自己方法与别人方法的差异。 AUC、NDCG等评价指标

在线：自身和自身的比较，算法更新迭代后效果是否有变化？  eg:A/B Test，很多在线实验没法重复，因为今天推荐这个了，不可能明天还给他推荐这个。人本身有bias.

必须在离线实验效果很好了，才能在线实验试一试。离线效果好，不一定在线效果好。

推荐系统是一个动态的系统，比如新闻推荐。用户需求动态变化。 用户点击率、阅读率、时长。短期目标与长期目标。

如何评价在线实验的指标，很难。CTR、时长，怎么侧面反映用户满意度？

用户行为太难分析了，建模还是比较理想化的。

（4）推荐系统与用户隐私的平衡

结合联邦学习，数据不动，隐私计算的技术。数据可用不可见。

（1）召回、排序、重排序

召回效率高，漏斗一层层减少。

用户的多兴趣表示

排序：deepfm

推荐系统结合心理学研究。认知心理学、群体心理学。

（2）并行计算、并行机器学习 ——效率

线上、线下计算结合

双塔（线上计算转化到线下计算）

（3）

ACL 2020 | 微软发布大规模新闻推荐数据集MIND，开启新闻推荐比赛

复杂性、系统工程角度解决问题。

隐私性

公平性(用户、物品)，用基尼系数评价

Cold-start