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
相關內容
推薦系統，是指根據用戶的習慣、偏好或興趣，從不斷到來的大規模信息中識別滿足用戶興趣的信息的過程。推薦推薦任務中的信息往往稱為物品(Item)。根據具體應用背景的不同，這些物品可以是新聞、電影、音樂、廣告、商品等各種對象。推薦系統利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。個性化推薦系統是建立在海量數據挖掘基礎上的一種高級商務智能平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。
題目： A Survey on Knowledge Graph-Based Recommender Systems
摘要：
為了解決信息爆炸問題，提高用戶在各種在線應用中的體驗，人們開發了推薦系統來模擬用戶的偏好。盡管人們已經為更個性化的推薦做了很多努力，但是推薦系統仍然面臨著一些挑戰，如數據稀疏和冷啟動。近年來，以知識圖為輔助信息的推薦生成引起了人們的極大興趣。這種方法不僅可以緩解上述問題，使推薦更加準確，而且可以為推薦項目提供解釋。本文對基于知識圖的推薦系統進行了系統的研究。我們收集了最近在這一領域發表的論文，并從兩個角度對其進行了總結。一方面，我們通過研究論文如何利用知識圖進行精確和可解釋的推薦來研究所提出的算法。另一方面，我們介紹了這些工作中使用的數據集。最后，提出了該領域的幾個潛在研究方向。
付費5元查看完整內容
** 簡介：**
推薦方法構造了預測模型，以估計用戶與項目交互的可能性。先前的模型在很大程度上遵循一般的監督學習范式-將每個交互視為一個單獨的數據實例，并基于“信息孤島”進行預測。但是，此類方法忽略了數據實例之間的關系，這可能導致性能欠佳，尤其是對于稀疏場景。此外，建立在單獨數據實例上的模型幾乎無法顯示出推薦背后的原因，從而使過程難以理解。
在本教程中，我們將從圖學習的角度重新審視推薦問題。可以將用于推薦的通用數據源組織成圖形，例如用戶-項目交互（二分圖），社交網絡，項目知識圖（異構圖）等。這種基于圖的組織將孤立的數據實例連接起來，從而為利用高階連通性帶來了好處，這些高階連通性對有意義的模式進行了編碼，以進行協作過濾，基于內容的過濾，社會影響力建模和知識感知推理。結合圖神經網絡（GNN）的最新成功，基于圖的模型已展現出成為下一代推薦系統技術的潛力。本教程對基于圖的學??習方法進行了回顧，以提出建議，特別關注GNN的最新發展和知識圖譜增強的建議。通過在本教程中介紹這個新興而有前途的領域，我們希望觀眾可以對空間有深入的了解和準確的見解，激發更多的想法和討論，并促進技術的發展。
目錄：
作者簡介：
王翔是新加坡國立大學（NUS）計算機學院的研究員。 他獲得了博士學位。 他于2019年獲得國大計算機科學博士學位。他的研究興趣包括推薦系統，信息檢索和數據挖掘。 在SIGIR，KDD，WWW和AAAI等頂級會議上，他擁有20多種出版物，包括TOIS和TKDE等期刊。 他曾擔任CCIS 2019的本地主席，包括SIGIR，CIKM和MM在內的頂級會議的PC成員以及TKDE和TOIS等著名期刊的定期審稿人。
付費5元查看完整內容
講座題目
社會用戶興趣挖掘：方法與應用：Social User Interest Mining: Methods and Applications
講座簡介
社交網絡上豐富的用戶生成內容提供了建立模型的機會，這些模型能夠準確有效地提取、挖掘和預測用戶的興趣，希望能夠實現更有效的用戶參與、更好質量地提供適當的服務和更高的用戶滿意度。雖然傳統的建立用戶檔案的方法依賴于基于人工智能的偏好獲取技術，這些技術可能被用戶認為是侵入性的和不受歡迎的，但最近的進展集中在確定用戶興趣和偏好的非侵入性但準確的方法上。在本教程中，我們將介紹與有效挖掘用戶興趣相關的五個重要方面： 1）用于提取用戶興趣的信息源 2）文獻中提出的各類用戶興趣簡介 3）為挖掘用戶利益而采用或提議的技術 4）最新方法的可擴展性和資源需求 5）文獻中采用的評估方法，用于驗證挖掘的用戶興趣概要的適當性。我們還將介紹現有的挑戰、開放的研究問題和激動人心的工作機會。
講座嘉賓
Fattane Zarrinkalam博士是Ryerson大學系統、軟件和語義實驗室（LS3）的博士后研究員，她在那里從事與支持語義的社交網絡分析相關的項目。在博士研究期間，她專注于根據社交網絡（尤其是Twitter）上的個人和集體行為來識別社交媒體用戶的興趣。她在CIKM、ESWC和ECIR等場館發表了自己的作品。此外，她還在包括信息檢索、信息處理和管理在內的頂級期刊上發表期刊論文。此外，在她攻讀博士學位期間，她參與了兩項向美國專利局提出的專利申請。
付費5元查看完整內容
報告主題： 信息檢索
報告摘要： 信息檢索是用戶進行信息查詢和獲取的主要方式，是查找信息的方法和手段。信息按一定的方式進行加工、整理、組織并存儲起來，再根據信息用戶特定的需要將相關信息準確的查找出來的過程。又稱信息的存儲于檢索。
邀請嘉賓： 任昭春，博士，山東大學教授，博士生導師。2016年10月在荷蘭阿姆斯特丹大學取得博士學位；2016年至2017年在倫敦大學學院工作，2017年至2019年在京東數據科學實驗室擔任算法科學家。任昭春主要從事信息檢索和自然語言處理方面的研究，特別關注于社交媒體內容分析，搜索多樣性，問答和對話系統，以及可解釋性推薦系統等研究問題，目前已在計算機領域各個國際頂級會議和期刊上共發表60余篇論文，獲得信息檢索領域國際頂級會議WSDM2018最佳學生論文獎和CIKM2017最佳長論文提名獎；應邀擔任信息檢索領域和自然語言處理領域多項頂級會議程序委員會委員和頂級期刊審稿人。同時任昭春在信息檢索領域一直擔任多項會議和期刊的組織服務工作。
付費5元查看完整內容
主題：Deep Learning for Graphs: Models and Applications
摘要：圖提供了多種類型的數據的通用表示，而深度學習在表示學習方面顯示了巨大的能力。因此，用圖連接深度學習提供了機會，使各種現實世界問題的通用解決方案成為可能。然而，傳統的深度學習技術對常規網格數據(如圖像和序列)具有破壞性，因此不能直接應用于圖結構數據。因此，將這兩個領域結合起來面臨著巨大的挑戰。在本教程中，我將全面概述圖深度學習的最新進展，包括模型和應用。特別地，我將介紹一些基本概念，回顧最先進算法，并舉例說明各種重要的應用。最后，我將通過討論開放問題和挑戰來總結本教程。
嘉賓簡介：唐繼良（Jiang Tang）自2016年秋季@起擔任密歇根州立大學計算機科學與工程系的助理教授。在此之前，他是Yahoo Research的研究科學家，并于2015年從亞利桑那州立大學獲得博士學位。他的研究興趣包括社交計算，數據挖掘和機器學習及其在教育中的應用。他曾獲得2019年NSF職業獎，2015年KDD最佳論文亞軍和6項最佳論文獎，包括WSDM2018和KDD2016。他是會議組織者（例如KDD，WSDM和SDM）和期刊編輯（例如TKDD）。他的研究成果發表在高排名的期刊和頂級會議論文集上，獲得了數千篇引文（Google學術搜索）和廣泛的媒體報道。
付費5元查看完整內容
主題： Recommending for Impact:Intentions, Algorithms, and Metrics
簡介： 推薦影響力是什么意思？推薦者運營商的利益與用戶利益之間的矛盾在哪里？我們可以衡量推薦或推薦算法的影響嗎？以及我們如何優化算法以提高影響力？本演講對推薦系統的領域進行了長久的探討，包括以影響為重點的重大發展時期和通過其他目標實現的技術進步時期。在此基礎上，我們著眼于以影響為重點的推薦系統研究的有前途的方向。
嘉賓介紹： Joseph A. Konstan 是麥克奈特大學（McKnight University）的教授，以及明尼蘇達大學科學與工程學院的副院長。他的研究解決了各種人機交互問題，包括個性化（特別是通過推薦系統），發起了在線參與以及設計計算機系統以改善公共衛生，他可能以其在協作過濾推薦器中的工作而聞名（GroupLens項目，該項目獲得了ACM軟件系統獎）。
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
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
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191