【CAA新闻】第十二期智能自动化学科前沿讲习班在北京成功召开

2019 年 10 月 28 日 中国自动化学会

CAA

智慧起航，共创未来

【导读】2019年10月26-27日，由中国自动化学会主办的第十二期智能自动化学科前沿讲习班在北京成功举办，此次讲习班主题为“推荐系统”，由中国人民大学赵鑫副教授担任学术主任，邀请来自学术界和工业界的12位嘉宾进行分享。约两百位来自全国各相关高校、科研院所、企事业单位的相关科研工作人员参加了此次讲习班。

首先由此次讲习班学术主任赵鑫副教授进行致辞，赵鑫老师对讲习班的背景和基本情况做了简要介绍，并对推荐系统的发展进行了简要回顾，希望大家能够通过参加此次讲习班活动有所收获。

首先由中国人民大学徐君教授带来题为“面向搜索和推荐的强化排序学习模型”的报告。在互联网搜索和推荐系统中，排序模型决定了系统向用户所展示的网页或物品顺序，在很大程度上影响着用户的使用体验。近年来，得益于其强大的交互式建模能力，强化学习技术被逐步地被应用于搜索和推荐排序并取得了良好的效果，被称为“强化排序学习”。徐君教授的报告介绍了近年来强化排序学习在搜索和推荐系统中的研究进展，包括强化学习基础和基于强化学习的网页排序以及商品推荐模型，实验结果表明，在搜索和推荐中强化排序学习均能学习到较优的排序策略。

武汉大学李晨亮副教授所作报告题目为“基于评论数据的推荐技术”，商品的评论数据包含丰富的语义信息，为我们开展个性化的推荐提供了依据。深度神经网络强大的语义抽取与理解能力能克服传统文本语义分析中词袋模型的缺陷，帮助我们更好地刻画用户的喜好与商品的特点，也为基于评论的商品推荐提供了新的机遇。时至今日，基于深度学习技术，面向评论数据的推荐系统已取得了诸多进展。李晨亮老师的报告回顾了近几年来基于评论数据的推荐技术，主要介绍了深度学习技术在该领域以及在推荐可解释性方面的若干进展，并对基于评论的推荐系统的发展趋势进行了展望。

下午首先为大家带来报告的是合肥工业大学吴乐副教授，吴乐老师所作报告题目为“面向复杂社交多媒体平台的个性化推荐算法: 准确度与解释性”。随着在线社交网络及智能移动设备的普及，社交多媒体时代悄然来临。用户社交化与信息媒体化正悄然改变着人类分享交流及购买产品的方式。社交多媒体平台丰富信息为理解用户意图鸿沟，提升个性化推荐的精确度与解释性带来了机遇。但同时，社交多媒体平台数据的复杂异构性与用户兴趣的复杂隐藏性也对研究提出了挑战。吴乐老师的报告简要介绍了团队在此方向的一些进展，包括：社交网络中基于传播扩散的社交推荐模型，多媒体平台中的基于显示媒体语义信息的可解释个性化推荐模型，及社交多媒体平台中融合多源异构信息构建的通用个性化推荐算法。

北京邮电大学助理教授王鹏飞为大家带来题为“基于时序特性的推荐系统的分析与研究”的报告，用户行为的时序性是推荐场景中一个十分重要的特性，近年来引起了人们广泛的关注，其中的核心问题便是如何围绕用户行为的时序性进行推荐模型的设计。王老师的报告从时序推荐场景的上下文信息，以及时序模型选择两方面出发，对基于时序特性的推荐系统进行深入的分析与总结，并对未来进行了展望。

微软亚洲研究院主管研究员王希廷所作报告题目为“可解释推荐系统：身怀绝技，一招击中用户心理”，传统的推荐系统将重心放在提高推荐准确性上，与推荐对象的沟通通常考虑得不够。可解释的推荐系统能够给出用户最易接受的推荐解释，充分抓住用户心理与用户沟通。研究发现，这样的系统不仅能够提升系统透明度，还能够提高用户对系统的信任和接受程度、用户选择体验推荐产品的概率以及用户满意程度等等。报告结合了最新发表的论文，介绍了可解释推荐的分类、推荐解释生成方法以及可解释推荐面临的机遇和挑战。

第二天首先为大家带来报告的是北京邮电大学石川教授，石教授所作报告题目为“基于异质信息网络的推荐技术与应用”。当前的社会网络分析主要针对同质网络（即网络中结点类型相同），但是现实世界中的网络化数据通常包含不同类型的对象，并且对象之间的关联表示不同的语义关系。构建异质信息网络（即包含不同类型的结点或边的网络）可以包含更加完整的对象之间的关联信息，因此分析这类网络有希望挖掘更加准确的模式。石教授团队将推荐系统的对象和交互关系构建成异质信息网络，这样可以融合更加全面的信息，包含丰富的语义。采用异质信息网络分析方法有潜力提升推荐性能，产生可解释性推荐。报告主要介绍了近期在这方面的研究进展以及应用案例。

第二个为大家带来报告的是中国科学技术大学连德富教授，他所作的报告题目为“面向高效在线匹配的推荐系统”，信息技术的快速发展导致信息过载问题出现。推荐系统是解决信息过载最有效的方式之一。近年来，深度学习的快速发展也带动了推荐系统的发展，各种基于深度推荐算法层出不穷。然而由于候选物品数量巨大且用户兴趣动态变化，深度推荐算法的推荐复杂度巨大，难以在实际系统中直接部署使用。在深度推荐技术发展的同时，物品召回技术也有了较大的发展与进步。连老师的报告简要介绍了物品召回的相关技术，包括哈希学习、向量量化等。

27号下午有5位来自工业界的报告嘉宾为大家带来了精彩报告，百度paddlepaddle主任研发工程师董大祥主要介绍了paddlepaddle在推荐场景场景下的并行训练技术，模型算法，案例应用等。

BOSS直聘NLP中心负责人宋洋所作报告题目为“基于深度匹配技术的人岗推荐”，近年来，随着互联网求职招聘平台的不断发展，该场景下的双边匹配推荐问题越来越受到学术界和工业界的广泛关注。报告主要围绕BOSS直聘NLP中心近年来在KDD、CIKM和EMNLP上所发表的学术论文介绍了基于深度匹配技术的人岗推荐系统，分别是融合历史行为偏好的人岗推荐，联合双边意愿与匹配的人岗推荐，以及领域自适应的人岗推荐。

京东商城数据科学实验室研究科学家王帅强为大家带来题为“京东商城推荐系统研究进展”的报告，当前推荐系统已经成为电子商务网站的基本工具，在真实的线上系统中，由于用户和商品的规模非常大，不可能预测用户对每个商品的偏好程度。一般而言，在工业界，推荐系统排序的整个过程分为两步：候选商品的选取，以及候选商品排序。报告分别介绍了京东商城推荐系统基于深度学习和强化学习对这两个步骤的优化探索。

美团点评NLP中心的研究员知识图谱团队负责人张富峥博士带来题为“生活服务领域知识图谱的构建及应用”的报告。作为全球领先的生活服务电子商务平台，美团点评拥有围绕吃喝玩乐全场景的丰富数据，通过使用深度学习技术以及自然语言处理技术，对这些跨场景数据进行充分挖掘、映射、聚合与关联，美团NLP中心构建了一个全世界最大的餐饮娱乐知识图谱——“美团大脑”，来促进每个场景下应用服务的智能升级。报告主要介绍了知识图谱基础知识及行业现状、"美团大脑"的构建方法、以及目前在搜索推荐、赋能商家等方面的一些初步进展与落地场景。

阿里巴巴达摩院算法专家周畅所作报告题目为“认知推荐的前沿研究与应用”。传统的推荐系统算法侧重于关注点击转化等指标的优化，在电商环境下，推荐场景也承担着种草养草的需求，需要主动激发用户潜在的兴趣而非当下或者已有的兴趣。而这样的定位需要我们能够有办法能够找到打动用户的切入点并进行合理的引导，这就对如何理解用户提出了更高的要求。报告从认知的角度，分享了阿里在用户商品解离化表征学习、内容生成以及推理方面的工作。