ADL119期《推荐系统》开始报名

The CCF Advanced Disciplines Lectures

CCFADL第119期

主题 推荐系统

2021年9月11-13日 北京

讲者简介：李勇，清华大学电子系长聘副教授，博士生导师，国家重点研发计划项目负责人。长期从事数据科学与智能方面的科研工作，在KDD、NeurIPS、WWW、UbiComp等国际会议与期刊发表学术论文100余篇（CCF A类80篇），文章引用12000余次，6次获国际会议最佳论文/提名奖，10篇论文入选ESI高被引用论文。先后入选全球“高被引科学家”名单，教育部科技进步一等奖、电子学会自然科学二等奖、吴文俊人工智能优秀青年奖。

报告题目：图神经网络推荐系统

报告摘要：推荐系统在各类互联网产品中广泛应用，成为了信息服务的基础设施，其中广泛收集的用户线上行为是推荐系统最重要的驱动力。然而，在不同的应用场景中，用户的行为模式千差万别、行为数据复杂多样，为推荐系统的模型设计带来了巨大挑战。本报告将从用户行为建模与认知展开，介绍图神经网络推荐系统的一系列研究工作，具体分为两部分。第一部分着手于用户复杂行为建模，分别研究用户的异质行为建模问题、序列化行为建模问题、社交拼团行为建模问题、组合消费行为建模问题；第二部分则深入用户行为机理认知，分别研究用户行为受商品价格、从众心理、推荐结果多样性等多种内在及外在因素的影响。

讲者简介：赵鑫，现为中国人民大学高瓴人工智能学院长聘副教授。2008年毕业于哈尔滨工业大学，获工学学士学位，2014年7月于北京大学获得博士学位，随后进入中国人民大学工作至今。赵鑫博士研究方向为复杂社交媒体环境下的用户兴趣理解与挖掘，共计发表论文80余篇。曾获ECIR'21时间检验奖、CIKM'17最佳短文提名奖以及AIRS'17最佳论文奖等，入选中国科协青年人才托举工程、北京智源青年科学家，荣获2020年吴文俊人工智能优秀青年奖。

报告题目：数据稀疏场景下的推荐算法

报告摘要：本次报告将探讨推荐系统中的一个关键技术挑战：如何在数据稀疏场景下设计合适的推荐算法，从而形成更为有效的信息资源推送。将从三个方面进行本次报告的介绍，包括数据扩充技术、信息迁移模型以及自监督学习算法。在数据扩充技术方面，将主要介绍如何引入社交信息缓解系统冷启动问题；在信息迁移模型方面，将主要回顾已有的跨领域推荐模型和最新的元学习技术；在自监督学习算法方面，将主要介绍最新的自监督学习算法在推荐系统中的应用。最后将简要总结本次报告。

讲者简介：张俊林，中国中文信息学会理事，中科院软件所博士。目前担任新浪微博机器学习团队AI Lab负责人，在此之前在阿里巴巴担任资深算法专家，负责新技术团队。他是技术书籍《这就是搜索引擎：核心技术详解》（该书荣获全国第十二届优秀图书奖）、《大数据日知录：架构与算法》的作者。近年来，陆续在RecSys、ICDM等国际会议发表多篇深度学习推荐系统相关论文。

报告题目：大规模工业界推荐系统及前沿进展

报告摘要：工业界实用化的推荐系统是个复杂的系统工程，一般包含典型的几个阶段：召回、粗排、精排、重排几个关键环节。本次报告首先介绍典型的大规模推荐系统构成，将分别介绍几个关键环节的经典做法，包括多路召回、双塔召回、多目标排序等不同阶段采用的实用化经典模型；另外，将系统梳理推荐系统的若干前沿技术及发展趋势，比如AutoML、图神经网络、多模态、长短期兴趣联合建模等。

讲者简介：何秀强，华为诺亚推荐与搜索实验室主任，诺亚方舟实验室技术专家，2010年博士毕业于香港科技大学，主要从事推荐与搜索方向机器学习算法前沿研究，在人工智能国际会议和期刊发表论文30多篇。

报告题目：构建精准、自适应、无偏的推荐系统

报告摘要：本次报告将从精准性、自适应性、无偏性、收益最大化等角度分析和介绍当前推荐系统的技术挑战，并介绍我们团队近期在相关方向上的研究成果，包括深度学习模型，用户行为建模，AutoML4Rec，纠偏，list-wise推荐等方向的算法成果，以及在实际业务场景中的落地效果及挑战。

讲者简介：连德富，中国科学技术大学计算机学院特任教授，博士生导师，国家优青。2014年博士毕业于中国科学技术大学计算机学院。他曾任电子科技大学副教授、悉尼科技大学访问学者。他的主要研究方向是数据挖掘、推荐系统和智慧城市。他在KDD、NeurIPS、SIGIR、TKDE、TOIS等高水平期刊和会议上发表论文80余篇，曾获得2018年度教育部自然科学一等奖（排名4）、APWeb 2016 Best Paper Runner-Up等奖励。同时他常年担任KDD、WWW、ICML、NeurIPS、SIGIR等国际顶级会议的程序委员会委员以及TOIS、TKDE等高水平期刊的审稿人。

报告题目：轻量级高效推荐系统

报告摘要：针对数以亿计的用户和物品，线上推荐的可扩展性受到严重挑战，特别是为保证个性化服务的精准度，推荐模型正在往高度非线性化的方向发展，这使得预测用户对物品的评分的计算开销大幅增加。为实现快速精准推荐，推荐系统一般被分解为两个阶段，即面向高效推荐的召回阶段和面向精准推荐的排序阶段。现有的推荐系统独立学习召回算法和排序算法，可能造成召回目标与排序目标不一致，使得推荐精度提升面临巨大瓶颈。同时，为解决推荐系统中常见的负样本缺失问题，现有推荐算法训练往往依赖于静态负样本采样或简单的动态负样本采样算法，使得负样本有效性可能受到限制。最后，针对可推荐物品数量和推荐模型大小不断增长，推荐模型和索引将占据越来越多的存储空间，面临内存存储和移动端部署的挑战。我们针对以上三个问题进行探索，提出了高效率、高精度、低存储的推荐系统，在讲座中我们将详细介绍这些方向上的最新研究进展。

讲者简介：张敏，清华大学计算机科学与技术系长聘副教授，博士生导师。主要研究领域为个性化推荐、信息检索、用户建模与分析。现任计算机系人工智能实验室副主任，CCF A类国际期刊ACM TOIS的首位华人主编，ACM SIGIR执行委员会首位华人委员等。在顶级国际会议与期刊发表多篇学术论文，Google Scholar引用6000余次。获得IBM 2020 Global Faculty Award，中国高校计算机专业优秀教师奖励计划，北京科学技术奖一等奖、中国中文信息学会钱伟长科学技术奖一等奖等。长期与国内外多个企业进行多项科研合作，已授权专利 12项。

报告题目：推荐系统的用户行为研究与建模

报告摘要：个性化推荐系统已经成为人们获取信息、满足需求的主要渠道之一。如何有效地为不同用户提供“满足其需求”（而非简单“投其所好”）的推荐内容，是当前一个重要的热点研究课题。报告将围绕个性化推荐系统中的用户研究及建模开展讨论，提出个性化推荐中用户建模的挑战问题，总结并分享清华大学信息检索课题组（THUIR）近年来在用户行为分析、用户意图建模、用户实验研究工具等方面的最新研究成果，并对领域发展趋势进行展望。相关成果已发表在国际顶级期刊和会议包括ACM TOIS、WWW、SIGIR、WSDM、AAAI等上并得到较多关注与引用，相关成果已在产业界多个实际推荐系统中得到成功应用。

讲者简介：王亮，阿里巴巴广告产品技术部资深算法专家，哈尔滨工业大学博士。主要从事图深度神经网络、文本语义理解和预估模型等方向的研究。在机器学习和计算机视觉的相关顶级会议和期刊，包括KDD、CIKM、CVPR、IJCV、PR等，发表多篇论文。团队的研究工作将机器学习方法落地到阿里巴巴的搜索广告平台的大规模数据应用场景，实现系统的效果和效率提升。团队开源的Euler图深度神经网络框架(https://github.com/alibaba/euler)被大量的业界伙伴和研究人员使用，并受邀参加国际会议CIKM2019的技术宣讲。

报告题目：图深度神经网络在搜索广告中的应用

报告摘要：图结构普遍存在于现实数据中，比如社交网络中用户关系，电商数据中人和货品关系等。图深度神经网络将深度学习模型推广到图结构数据表示，将深度学习模型的端到端学习能力和图关系表达相结合，更高效的学习和表示数据内涵和关联关系。如何将图深度神经网络应用于海量数据之上进行训练和推导是让这种方法从理论走向实用的关键。本报告将介绍阿里开源的通用大规模图深度学习引擎Euler框架，包括框架设计和其中的重要效率优化方法。然后，将以图深度神经网络在阿里巴巴电商搜索广告场景的应用方法为例，介绍图神经网络的工业落地方案。

讲者简介：王希廷，微软亚洲研究院的主管研究员。她长期从事以可解释性、公平性、鲁棒性为主要目标的负责任机器学习方法研究。她关于可解释推荐的研究成果发表在KDD、ICML、SIGIR等各个数据挖掘及机器学习的顶级会议上，还在微软、华尔街日报中文版等多公司的多个产品中落地应用。其中在微软必应广告中落地使用的广告文案生成模型将广告收入大幅提升。王希廷是CCF A类会议AAAI和IJCAI的高级程序委员会委员，2021年被AAAI评为 “杰出高级程序委员会委员”。同时她在WWW、ICML、NeurIPS等国际顶级会议中常态化担任程序委员会委员，多次任TOIS、TKDE、TVCG等CCF A类期刊的审稿人。王希廷于2011年和2017年分别获得清华大学工学学士和博士学位。

报告题目：可解释推荐的前沿进展

报告摘要：可解释推荐除了推荐用户喜欢的物品以外，同时还对为什么推荐这些物品给出解释，在近几年引起了广泛关注。这次讲座中，我们将讨论可解释推荐的定义、目标、应用场景，并且介绍可解释推荐的最新研究进展：基于知识图谱推理及自然语言生成的可解释推荐。知识图谱推理要求可解释推荐系统给出一条在知识图谱上的多跳路径，连接用户及其感兴趣的物品，而基于自然语言生成的方法将RNN或者Transformer之类的自然语言生成模型和推荐系统结合，逐字生成流畅、高度个性化的自然语言推荐理由。我们将在讲座中详细介绍这两个方向的一些最新研究进展，例如，如何利用强化学习、模仿学习进行高效知识图谱推理，如何利用多任务学习生成高质量的自然语言推荐理由。

个人简介：谢幸，微软亚洲研究院首席研究员，中国科学技术大学兼职博士生导师，微软-中科大联合实验室主任，以及中国计算机学会普适计算专委会副主任。他发表论文300余篇，共被引用30000余次，H指数85，1999年获首届微软学者奖，2019年获ACM SIGSPATIAL十年影响力论文奖及中国计算机学会青竹奖，2020年获ACM SIGSPATIAL十年影响力论文荣誉奖，2021年获ACM SIGKDD China时间检验论文奖，并曾在KDD、ICDM等会议获最佳论文奖。他曾担任ACM UbiComp 2011、PCC 2012、IEEE UIC 2015、以及SMP 2017等会议程序委员会共同主席，并将担任ACM SIGSPATIAL 2021与IEEE MDM 2022大会程序委员会共同主席。他是中国计算机学会会士、ACM杰出会员。

个人简介：金蓓弘，中国科学院软件研究所研究员，博士生导师，中国科学院大学岗位教授。主要研究领域为普适计算、智能感知、数据挖掘。在国际期刊、国际会议上发表学术论文100余篇，论著1部，译著1部。曾获国家科学技术进步二等奖，中国科学院科技进步一等奖，北京市科学技术一等奖，中国公路学会科学技术奖三等奖，曾获中国科学院研究生院优秀教师荣誉称号以及中国科学院朱李月华优秀教师奖。CCF高级会员，CCF YOCSEF荣誉委员。