DSAA22@CCF-C | 可信推荐系统征稿(Special Session)

嘿，记得给“机器学习与推荐算法”添加星标

---

如今，人工智能(AI)的复兴在日常生活中引起了巨大的关注。推荐系统作为人工智能最流行的应用之一，已经成为信息超载时代帮助网络用户识别最相关信息/服务的不可或缺的手段。这些系统的应用是多方面的，包括定向广告、智能理财助手、电子商务等，给人们的日常生活带来了极大的便利。然而，尽管推荐技术发展迅速，但随着公众对推荐系统可信度的认识的提高，对相关研究提出了更高的期望。

“ 数据科学与人工智能赋能的可信推荐 ”这一Special Session旨在与来自推荐社区的活跃研究人员进行交流，并就算法可信度的核心挑战提供最先进的研究见解。 首先，现实世界中推荐数据的异质性空前增长，挑战了当代算法对各种设置的适应性，如用户兴趣漂移、冷启动用户/商品、高度交互稀疏性和多模态内容。 其次，值得信赖的推荐方法也应该是健壮的、安全的、可解释的、隐私保护的和公平的。  

官网：https://dsaa22.github.io/

Important Dates

论文提交日期: 2022年6月1日

论文通知: 2022年7月31日

最终版本时间: 2022年8月15日

Topics of interest

我们接收从理论或概念相关的论文以及技术算法相关的文章，以及应用和案例研究到可信推荐相关方向，包括但不限于以下领域:

• 与可信推荐相关的基础或新兴数据科学或人工智能理论、方法和应用
• 低质量数据的推荐，包括高度稀疏的数据、噪声或损坏的数据、大量重复的数据和有偏见的数据
• 推荐的不确定性建模，用户的兴趣经常随着时间的推移而变化，算法结果需要在一个高度动态的环境中呈现
• 推荐系统的鲁棒性研究，包括攻击和对抗方法
• 可解释性推荐，提供有说服力的解释和/或对推荐过程产生忠实的解释
• 公平和去偏，一个公平的系统旨在平衡其准确性和潜在的偏见和/或不公平
• 安全性和隐私相关的推荐方法，包括联邦推荐、边缘训练与推荐和隐私保护相关的排序机制
• 用于提高准确性、可解释性或适应性的人在回路计算
• 在可信推荐系统领域对最先进的研究进行综述、评估或基准测试
• 推荐技术的新兴应用，特别是与可信推荐相关的方法和解决方案
• 新颖的评估方案、方法和指标，以评估推荐的可信度

Organizers

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

精选10篇多模态推荐相关工作

基于Pytorch的多任务推荐系统工具包发布

个人思考 | 关于推荐模型的四种模式

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧👇