第九期「AI將來說·青年學術論壇」帶你瞭解個性化內容推薦

時間 2019-11-17

標籤第九將來青年學術論壇瞭解個性化內容推薦简体版

原文原文鏈接

2019年9月22日下午，「AI將來說·青年學術論壇」第九期個性化內容推薦專場，在中國科學院大學中關村校區3號教學樓S101教室舉行。算法

「AI將來說·青年學術論壇」系列講座由中國科學院大學主辦，百度全力支持，讀芯術、PaperWeekly做爲合做自媒體。承辦單位爲中國科學院大學學生會，協辦單位爲中國科學院計算所研究生會、中國科學院計算機網絡中心研究生會、中國科學院數學與系統科學研究院研究生會、人工智能學院學生會、化學工程學院學生會、公共政策與管理學院學生會、微電子學院學生會。微信

個性化推薦是根據用戶的興趣、特色、行爲，向用戶推薦其感興趣的內容的一種互聯網技術。隨着移動互聯網的快速發展，互聯網內容的生產和需求量日益增大，互聯網用戶的需求也日趨個性化，個性化內容推薦技術應運而生。目前，國內外個性化推薦服務的互聯網產品層出不窮，極大地知足了用戶個性化需求。網絡

高隨祥老師致開幕詞架構

新學期開學伊始，中國科學院大學黨委副書記、紀委書記高隨祥老師出席了本期論壇的活動，並致開幕詞，高隨祥老師介紹了本次論壇的報名狀況，對參加本期論壇的學子寄以了深切的期盼和美好的祝願。參加報告分享和大伽panel環節的嘉賓有來自百度的趙世奇老師、李雙龍老師和辜斯繆老師，中國科學院自動化研究所的趙軍老師，中國人民大學信息學院的趙鑫老師。框架

趙世奇老師做「百度信息流產品介紹」的報告分享機器學習

百度公司高級總監，百度搜索算法部、信息流推薦技術平臺部、互聯網數據研發部負責人，趙世奇老師報告的主要內容包括百度推薦技術誕生背景、百度個性化推薦技術發展示狀和百度信息流推薦系統詳解、個性化推薦技術發展挑戰四個部分。報告以互聯網的發展歷史回顧開場，移動互聯網高速發展、數字經濟的加速崛起，使得互聯網數據呈爆炸式增加，最終致使現象級個性化互聯網產品不斷涌現。其次，他介紹了百度信息流產品的產品形態和基本技術框架。據介紹，百度信息流推薦系統包括用戶模型、內容模型、場景模型和推薦模型，以及支撐底層的基礎技術。此外，趙世奇老師還對接下來四位嘉賓的報告內容進行了簡要介紹。

李雙龍老師做「百度信息流推薦技術」的報告分享性能

做爲百度技術平臺部傑出架構師，李雙龍老師報告的主要內容包括百度Feed推薦系統框架、用戶模型和場景模型、內容模型、推薦模型等各模型的詳細介紹以及技術展望五個部分。發言中，李雙龍老師詳細介紹了Feed推薦算法框架下的用戶模型、場景模型、內容模型、推薦模型、底層AI技術五大部分。做爲推薦系統的核心，李雙龍老師介紹了百度推薦系統中召回、排序、序列最優化三層漏斗推薦系統結構，如在召回技術中，百度推薦系通已實現了混合召回技術——content-based召回、基於協同過濾（CF）的推薦召回算法（memory-based CF和model-based CF）以及基於熱度的召回技術等。據介紹，在排序方面，百度在推薦系統中設計實現了兩層排序結構：高性能的粗排技術和高精度的精排技術。而針對推薦系統的兩大頑疾（新用戶冷啓和老用戶繭房），百度實現了三類興趣點探索方法，包括基於用戶模型的興趣點探索、基於query的興趣點探索和基於全網時下流行的興趣點探索。此外，他還在長期收益建模，異構資源多目標預估和融合、冷啓和探索、多模態和語義知識的引入、篇章級內容理解和視頻語義理解與生成等方向，對推薦技術的將來進行了展望。

趙軍老師做「知識圖譜關鍵技術及其在推薦系統中的應用」的報告分享學習

做爲中國科學院自動化研究所模式識別國家重點實驗室研究員，博士生導師，中國科學院大學人工智能學院崗位教授，趙軍老師報告的主要內容包括推薦系統產生的背景、推薦系統的主要方法、知識圖譜的相關概念、知識圖譜在推薦系統中的應用四個部分。趙軍老師首先介紹了大數據時代所面臨的信息過載問題，其令人們淹沒在數據海洋中，信息沒法獲得有效利用，而推薦系統能夠有效地解決這一難題。而後，介紹了傳統推薦系統的主要方法：1）基於內容的推薦系統；2）基於協同過濾的推薦系統；3）混合式推薦系統。接着介紹了推薦系統的主要問題與挑戰：1）數據稀疏；2）不可解釋；3）（用戶）冷啓動；4）（物品）冷啓動，爲解決這些難題，進而介紹了知識圖譜輔助推薦系統：1）知識圖譜人-物之間的多維度稠密關聯可用於解決數據稀疏問題；2）豐富的用戶畫像，充分的物品描述可用於解決冷啓動問題；3）多維度遠距離關聯可用於解決不可解釋問題。引入知識圖譜以後，趙軍老師先介紹了知識圖譜的發展歷程、概念起源、基本概念、示例應用和語義網絡知識描述語言體系，接着又詳細介紹了融合知識的推薦系統、推薦系統中的知識圖譜利用類型、典型系統以及推薦系統的研究方向。最後，趙軍老師對報告進行了總結。

辜斯繆老師做「異構內容推薦技術和推薦中臺化」的報告分享大數據

百度推薦技術平臺部傑出架構師辜斯繆老師報告的主要內容包括：推薦系統的新挑戰、多目標融合設計思路、多場景的技術挑戰和系統設計四個方面。辜斯繆老師首先介紹了推薦系統的新挑戰：如何在異構多資源和更豐富的差別化場景下作推薦系統。其中包括：（1）如何更好觀測和建模「用戶是否滿意」的信號；（2）處理多目標融合時候的多種技術流派和解決思路；（3）多個差別化場景下，咱們如何更好的作推薦系統，同時兼顧信息的隔離和共享。優化

趙鑫老師做「基於知識與推理的序列化推薦技術研究」的報告分享

做爲中國人民大學信息學院副教授，博士生導師，趙鑫老師報告的主要內容包括序列推薦系統的概覽、使用知識庫鏈接推薦系統、基於屬性記憶網絡的知識整合、基於分類記憶網絡的知識整合、基於元路徑協同注意力網絡的知識整合和結論六個部分。趙鑫老師首先講了序列推薦，用戶的採納行爲是一個序列的決策過程，包括next-basket和next-item的推薦，而後介紹了序列推薦的方法，包括經典方法和主流方法，其中，經典的方法包括基於頻率的馬爾可夫模型和基於頻率的個性化馬爾可夫模型，主流方法包括個性化推薦的層級RNN方法、基於注意力機制的RNN模型。以上下文的重要性引出了可以刻畫上下文的推薦，其主要方法包括因子分解機（Factorization Machine,FM）、具備上下文意識的RNN模型。緊接着介紹了基於屬性記憶網絡的知識整合、基於分類記憶網絡的知識整合和基於元路徑的協同注意力網絡的知識整合，在講解的過程當中，先講解了現有工做存在的問題，而後介紹了本身針對這些問題所作的改進的工做。最後，趙鑫老師對所作的報告進行了總結。