WWW 2017精选论文

最新推荐文章于 2021-03-17 18:03:35 发布

weixin_38113026

最新推荐文章于 2021-03-17 18:03:35 发布

阅读量2.1k

点赞数

分类专栏：人工智能学术前沿

本文链接：https://blog.csdn.net/weixin_38113026/article/details/106537373

版权

本文摘自26届万维网大会，重点关注了推荐系统和搜索技术的最新研究。文章介绍了Focused Learning，旨在通过局部优化提升推荐系统的准确性；Collaborative Metric Learning则探讨了如何利用Metric Learning改进推荐系统的距离测量，以实现更精确的推荐；Situational Context for Ranking in Personal Search展示了如何结合情境信息改善个人搜索的排名模型；Predicting Intent Using Activity Logs研究了如何预测用户意图以优化行为预测；最后，Usage Patterns and the Economics of the Public Cloud分析了公共云平台的定价策略和使用模式。

摘要由CSDN通过智能技术生成

涉及数据库、数据挖掘分析、应用机器学习、搜索引擎技术等多方面技术的顶级会议第26届万维网大会（26th International World Wide Web Conference）今年4月3日-7日在南半球的澳大利亚珀斯举行。历史上，万维网大会都是讨论重要学术成就的，特别是关于互联网科技发布的重要学术和技术大会。因为这个会议涵盖非常广泛的主题，而且一般的读者很难从浩如烟海的文献中即刻抓取到有用信息，笔者从众多文章中精选出5篇有代表性的文章，为读者提供思路。

Beyond Globally Optimal: Focused Learning for Improved Recommendations

概要：这篇文章探讨的是如何平衡一个全局的目标函数和一个局部的目标函数，从而使得推荐系统的结果最佳。

本文来自一群前 CMU 学者，目前在 Google 和 Pinterest。这篇文章试图解决什么问题呢？具体说来，就是作者们发现，传统的推荐系统，基于优化一个全局的目标函数，通常情况下往往只能给出一个非常有“偏差”（Skewed）的预测分布。也就是说，传统的推荐系统追求的是平均表现情况，在很多情况下的预测其实是十分不准确的。这个情况在评价指标是 Root Mea

了解本专栏