報告主題： Coupling Everything: A Universal Guideline for Building State-of-The-Art Recommender Systems
簡介：
如今，人工智能(AI)的復興引起了世界各地的廣泛關注。特別是機器學習方法已經深入到幾乎人工智能研究的所有領域，如自然語言處理(NLP)，計算機視覺(CV)和規劃。特別是推薦系統(RS)，作為應用最廣泛的人工智能系統之一，已經融入了我們日常生活的方方面面。在這個人工智能時代，最先進的機器學習方法，例如深度學習，已經成為建模高級RSs的主要選擇。需要注意的是，不同的數據是RSs執行不同推薦任務的動力來源。
經典的RSs是建立在相關數據(如評分或內容)是獨立同分布(IID)的假設上的，而IID存在許多問題，如冷啟動和數據稀疏。因此，許多最先進的RSs都通過整合不同的信息來增強機器學習技術。本教程將分析高級推薦問題中的數據、挑戰和業務需求，并從非獨立同分布的角度介紹機器學習的最新進展，從而為下一代RSs建模。這包括總體的RS進化和推薦中的非獨立同分布性，社會RS的高級機器學習，基于分組的RS，基于會話的RS，跨域RS，上下文感知RS，多模態RS，多標準RS，在用戶、項目、上下文、模式和標準之間的模型各種耦合方面。
邀請嘉賓：
Liang Hu，澳大利亞悉尼科技大學高級分析研究所研究員。他的研究興趣包括推薦系統、數據挖掘、機器學習、表示學習和一般人工智能。在推薦系統領域的頂級國際會議和期刊上發表了多篇論文，包括WWW、IJCAI、AAAI、ICDM、ICWS、TOIS、JWSR。他在頂級會議上發表過幾篇教程，包括IJCAI、AAAI和PAKDD。
操龍兵教授中科院模式識別與智能系統博士，悉尼科技大學計算科學博士。先在中國任圖書編輯、市場策略研究、商業智能公司首席技術官，后轉至澳洲任講師、高級講師、副教授與教授（2009年）等至今。現任 澳大利亞悉尼科技大學工程與信息技術學院教授，是 悉尼科技大學高級分析研究所（Advanced Analytics Institute）的創所所長，中科院海外評審專家、中國科學技術大學與上海交通大學等高校的客座教授，被上海證券交易所多次聘為高級金融專家、深交所聘為博士后指導老師。IEEE數據科學與先進分析學任務組主席，IEEE行為、經濟與社會文化計算任務組主席，ACM SIGKDD澳大利亞新西蘭分會發起人與主席，澳洲資本市場聯合研究中心（CMCRC）數據挖掘方向研究帶頭人, IEEE數據科學與先進分析學DSAA大會發起人。IEEE計算機分會，系統、人與控制分會以及計算智能分會高級會員，包括ACM Computing Surveys等多個學術刊物的編委與特刊編輯、International Journal of Data Science and Analytics創刊主編，IEEE Intelligent Systems副主編；KDD2015, DSAA2015, PAKDD2013與ADMA2013大會主席，IJCAI、ICDM、PAKDD與DSAA等程序委員會主席、副主席/領域主席等，包括KDD、IJCAI、AAAI與AAMAS等在內的100多個國際會議的SPC/PC委員。專著4部、編著4部、論文集15部、期刊與會議論文300多篇。
付費5元查看完整內容
相關內容
非凸優化是機器學習中的基礎問題，迭代優化方法缺乏理論支撐。普林斯頓大學助理教授Yuxin Chen一直從事非凸優化方面的研究，這份報告講述了最近關于非凸統計估計的故事，它們強調了統計模型在實現有效的非凸優化中的重要作用。
Yuxin Chen 目前是普林斯頓大學電氣工程系的助理教授。在加入普林斯頓大學之前，他是斯坦福大學統計系的博士后學者，并在斯坦福大學完成了電子工程博士學位。他的研究興趣包括高維統計、凸與非凸優化、統計學習和信息論。他獲得了2019年AFOSR青年研究員獎。
非凸優化與統計學
近年來，利用非凸優化方法來解決統計估計和學習問題的研究工作層出不窮。由于非凸優化算法易受虛假局部極小值的影響，傳統工作通常對其持悲觀看法，而簡單的迭代方法，如梯度下降法，在實踐中已經取得了顯著的成功。然而，直到最近，這些理論基礎在很大程度上一直缺乏。這個報告展示了兩個最近關于非凸統計估計的故事，它們強調了統計模型在實現有效的非凸優化中的重要作用。第一個故事是關于一個相位檢索問題的隨機初始化非凸方法:即使沒有仔細的初始化，像梯度下降這樣的簡單算法也可以在對數迭代次數內找到全局解。第二個故事是關于非凸低秩矩陣補全的不確定性量化。我們在非凸估計的基礎上開發了一個去偏估計器，使未知矩陣缺失項的置信區間能得到最優構造。所有這些都是通過一個“一留一出”的統計分析框架實現的，該框架在處理和解耦復雜的統計依賴方面非常強大。
付費5元查看完整內容
The chronological order of user-item interactions can reveal time-evolving and sequential user behaviors in many recommender systems. The items that users will interact with may depend on the items accessed in the past. However, the substantial increase of users and items makes sequential recommender systems still face non-trivial challenges: (1) the hardness of modeling the short-term user interests; (2) the difficulty of capturing the long-term user interests; (3) the effective modeling of item co-occurrence patterns. To tackle these challenges, we propose a memory augmented graph neural network (MA-GNN) to capture both the long- and short-term user interests. Specifically, we apply a graph neural network to model the item contextual information within a short-term period and utilize a shared memory network to capture the long-range dependencies between items. In addition to the modeling of user interests, we employ a bilinear function to capture the co-occurrence patterns of related items. We extensively evaluate our model on five real-world datasets, comparing with several state-of-the-art methods and using a variety of performance metrics. The experimental results demonstrate the effectiveness of our model for the task of Top-K sequential recommendation.
論文題目： Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation
論文摘要：
最近關于推薦的研究主要集中在探索最先進的神經網絡，以提高模型的表達能力，同時通常采用負抽樣(NS)策略來提高學習效率。盡管有效，現有方法中有兩個重要問題沒有得到充分考慮:1) NS波動劇烈，基于抽樣的方法在實際應用中難以獲得最優的排序性能;2)盡管異構反饋(如查看、單擊和購買)在許多在線系統中廣泛存在，但大多數現有方法僅利用一種主要類型的用戶反饋，如購買。在這項工作中，我們提出了一種新的非抽樣轉移學習解決方案，命名為高效異構協同過濾(EHCF)，用于Top-N推薦。它不僅可以對細粒度的用戶-項目關系進行建模，而且可以從整個異構數據(包括所有未標記的數據)中高效地學習模型參數，并且具有較低的時間復雜度。對三個真實數據集的大量實驗表明，EHCF在傳統(單一行為)和異構場景中都顯著優于最先進的推薦方法。此外，EHCF在培訓效率方面有顯著的改進，使其更適用于真實世界的大型系統。我們的實現已經發布，以促進更有效的基于全數據的神經方法的進一步發展。
論文作者：
張敏博士是清華大學計算機科學與技術系的終身副教授，專門從事網絡搜索和推薦以及用戶建模。她是計算機系智能技術與系統實驗室副主任，清華-MSRA媒體與搜索實驗室執行主任。她還擔任ACM信息系統事務(TOIS)的副編輯，SIGIR 2019教程主席，SIGIR 2018短論文主席，WSDM 2017項目主席等。發表論文100余篇，被引用次3500余次，H指數32分。2016年獲北京市科技獎(一等獎)，2018年獲全國高校計算機科學優秀教師獎等。她還擁有12項專利，并與國內外企業進行了大量的合作。
馬少平是清華大學智能技術與系統國家重點實驗室計算機科學與技術系教授，研究領域為智能信息處理, 信息檢索。主要研究興趣是智能信息處理，主要集中在信息檢索與Web信息挖掘等方面，尤其研究基于網絡用戶行為分析的語義挖掘，以改進搜索引擎的性能。
付費5元查看完整內容
摘要：在這次演講中，我將帶領聽眾回顧我在建立神經序列模型方面的早期和近期經歷。我從早期使用循環網絡進行seq2seq學習的經驗出發，討論了注意機制。我討論了這些早期方法成功背后的因素，以及這些方法是如何被社區所接受的，甚至是在它們還沒有成型之前。然后，我會轉向講非常規神經序列模型的最新研究方向以及該模型可以自動學習確定生成的順序。
報告人簡介：Kyunghyun Cho是紐約大學計算機科學和數據科學副教授，也是Facebook人工智能研究中心的研究科學家。在2015年夏之前，他一直是蒙特利爾大學的博士后研究員，在yobengio教授的指導下，并于2014年初在Juha Karhunen教授、Tapani Raiko博士和Alexander Ilin博士的指導下獲得了阿爾托大學的博士和碩士學位。
付費5元查看完整內容
報告主題：Cognitive Graph in Practice with their Applications in E-commerce Recommendation
報告摘要：阿里巴巴生態體系有著極其豐富多樣的數據，涵蓋著從購物、出行，到娛樂、支付等各個方面。作為信息過濾的重要手段和電商應用的核心服務，個性化推薦系統需要依賴這一數據，識別我們的習慣和愛好來推薦合適的商品或者服務。但是傳統的推薦系統容易出現稀疏性、冷啟動和信息重復性的問題，而認知圖譜作為大規模圖表征的一類重要模型正在成為一種新興類型的推薦輔助信息，可以將自然人的全域信息有效的結合起來，真正挖掘、理解每個人的需求，在每個業務域推出消費者真正感興趣的潛在商品。
邀請嘉賓：楊紅霞，阿里巴巴資深算法專家/總監。她帶領團隊開發基于計算平臺和搜索推薦的智能算法，穩定的支持了阿里巴巴搜索、廣告等30幾個核心BU和其業務場景。加入阿里之前，楊博士曾任IBM全球研發中心Watson研究員，Yahoo!主任數據科學家。在頂級統計和機器學習國際學術期刊會議發表論文40余篇（包括JASA, ICML, ATSTATS, KDD, ICDM，CIKM和WWW等），美國專利9項，任職 Applied Stochastic Models in Business and Industry副主編，International Statistical Institute理事，2017浙江省千人。楊博士畢業于美國杜克大學。
付費5元查看完整內容
主題： Context Adaptation with Session‐based Recommenders
簡介： 在各種社會科學和技術學科中，上下文信息已被廣泛認為是重要的建模維度。 盡管已經在上下文感知推薦器系統（CARS）領域進行了大量研究，但是許多現有方法都集中于將推薦的預定義和靜態上下文因素納入代表性視圖處理。本報告介紹了CARS的挑戰以及未來的研究算法的類別。
嘉賓介紹： Dietmar Jannach是奧地利AAU Klagenfurt的信息系統專業教授。 在2017年加入AAU之前，他是德國多特蒙德理工大學的計算機科學教授。 在他的研究中，他專注于將智能系統技術應用于實際問題以及開發用于構建知識密集型軟件應用程序的方法。 在過去的幾年中，Dietmar Jannach致力于推薦系統的各個實際方面。 他是2010年劍橋大學出版社出版的第一本有關該主題的教科書的主要作者，并且是一家技術初創公司的聯合創始人，該公司創建了屢獲殊榮的交互式咨詢解決方案產品。
付費5元查看完整內容
主題： Building Useful Recommender Systems for Tourists
簡介： 推薦系統是信息搜索和過濾工具，應為要使用的項目提供建議。 最先進的推薦系統利用數據挖掘和信息檢索技術來預測商品在多大程度上適合用戶的需求和需求，但是通常它們最終會提出明顯而無趣的建議，尤其是在復雜領域（例如旅游業）。 在演講中，將介紹典推薦器系統的思想和技術。 我們將討論為游客建立有用的推薦系統所需的一些關鍵要素。 因此，我們將指出推薦系統研究的一些局限性和挑戰。 然后，我們將介紹一些新穎的技術，這些技術利用從觀察到的游客行為中收集的數據來生成更有用的個人和團體推薦。
嘉賓介紹： Francesco Ricci博士是Bozen-Bolzano自由大學（意大利）的正教授兼計算機科學學院院長。他與他人共同編輯了《推薦系統手冊》（Springer，2011年，2015年），并作為ACM推薦系統會議（2007年至2010年）指導委員會主席在社區中積極工作。他（2000年至2006年）曾是ITC-irst（意大利特倫托）的電子商務和旅游業研究實驗室（eCTRL）的高級研究員和技術總監。從1998年到2000年，他是Sodalia s.p.a.的研究和技術部門的系統架構師。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191