【ASSIA】第12期智能自动化学科前沿讲习班——推荐系统

CAA

智慧起航，共创未来

【导读】中国自动化学会将于2019年10月26日-10月27日在中国科学院自动化研究所举办第12期智能自动化学科前沿讲习班，主题为“推荐系统”。此次讲习班由中国人民大学赵鑫副教授担任学术主任，邀请业界多位知名专家作主题报告，分享交流推荐系统的学术前沿、发展及应用实现。

ASSIA简介

智能自动化学科前沿讲习班是由中国自动化学会主办的高端学术交流活动，旨在促进自动化领域的科研人员在短时间内快速了解学科前沿和最新研究，并为专家学者提供探讨热点方向和交流学术进展的平台。每期讲习班围绕一个热点专题，邀请该学科方向从事前沿工作的专家学者作学术报告，并与参会者交流讨论。

推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。随着网络的迅速发展而带来的数据信息的大幅增长，使得用户在面对大量信息时无法从中获取对自己真正有用的，对信息的使用效率反而降低了。解决这一问题的办法就是推荐系统。2010年后，推荐系统逐渐成为学术研究和业界应用的热门方向。截止目前，推荐系统已经成为大数据落地最广泛且成功的场景，被广泛应用于电子商务推荐、个性化广告推荐、新闻推荐等诸多领域。

学术主任

赵鑫

中国人民大学副教授、博导

个人简介

赵鑫，中国人民大学信息学院副教授，博士生导师。近五年内在国内外著名学术期刊与会议上以主要作者身份发表论文60余篇。所发表的学术论文取得了一定的关注度，据Google Scholar统计，已发表论文共计被引用2800余次，其中以第一作者发表的《Comparing Twitter and Traditional Media Using Topic Models》被引用1100余次。担任多个重要的国际会议或者期刊评审，入选第二届CCF青年人才发展计划。曾获得CIKM 2017最佳短文候选以及AIRS 2017最佳论文奖。

以下是在本次讲习班上作报告的嘉宾，下面按报告顺序向大家介绍各位嘉宾：

报告嘉宾

徐君

中国人民大学教授、博导

报告题目：面向搜索和推荐的强化排序学习模型

嘉宾简介

徐君，中国人民大学教授、博士生导师、中国人民大学杰出学者，中国计算机学会高级会员，主要研究面向互联网搜索的文档排序和语义匹配算法，在包括SIGIR、WWW等学术会议和TKDE、JMLR、TOIS、TIST等学术期刊发表论文50余篇，撰写英文专著1部，先后获得SIGIR 2019 Test of Time Award Honorable Mention、CIKM 2017 Best Paper runner-up、AIRS 2010 Best Paper Award，多次担任SIGIR、TheWebConf (WWW)、AAAI、ACML等学术会议资深程序委员会委员(Senior PC)，任期刊ACM TIST副主编和JASIST编委。

报告摘要

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”。本报告将介绍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。

报告嘉宾

李晨亮

武汉大学副教授、硕导

珞珈青年学者

报告题目：基于评论数据的推荐技术

嘉宾简介

李晨亮，武汉大学国家网络安全学院副教授，硕导，武汉大学珞珈青年学者。担任中国中文信息学会青年工作委员会委员、社交媒体专委会委员、信息检索专委会委员。担任IEEE TKDE、ACM TOIS、JASIST等国际重要学术期刊审稿人和SIGIR、ACL、CIKM、WWW、AAAI、IJCAI等学术会议（高级）程序委员会委员（TPC）。担任信息检索国际权威学术期刊JASIST和IPM的编委。研究兴趣包括信息检索、自然语言处理、机器学习和社交媒体分析，在TKDE、TOIS、SIGIR、ACL、AAAI、CIKM和JASIST等权威会议及期刊发表论文30余篇。并获SIGIR2016 年Best Student Paper Award Honorable Mention；SIGIR2017 年Outstanding Reviewer Award。

报告摘要

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。本次报告将对近几年来基于评论数据的推荐技术进行回顾，将主要介绍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，最后对基于评论的推荐系统的发展趋势进行展望。

报告嘉宾

吴乐

合肥工业大学副教授、硕导

报告题目： 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

嘉宾简介

吴乐博士于2015年从中国科学技术大学毕业，现任合肥工业大学计算机与信息学院副教授，硕士生导师。主要研究领域包括数据挖掘与商务智能，个性化推荐。近五年在知名国际期刊（如 IEEE/ACM Trans.）及国际会议（如SIGIR、AAAI、IJCAI、KDD、SDM、ICDM、CIKM等）发表论文四十余篇。入选了2017年微软亚洲研究院铸星学者访问计划、获得了2017年中国人工智能学会优秀博士论文奖，SDM 2015最佳论文提名奖，2013年CCML优秀学生论文奖。吴乐博士担任了多个国际期刊（如IEEE TKDE、 IEEE TSMC、IEEE TNNLS、ACM TIST、 KAIS、 WWW J.），国际会议(如KDD、WWW、IJCAI、AAAI、MM、CIKM) 及国内期刊（如软件学报、计算机应用）审稿人。

报告摘要

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。本报告将简要介绍我们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。

报告嘉宾

王鹏飞

北京邮电大学助理教授、硕导

报告题目：基于时序特性的推荐系统的分析与研究

嘉宾简介

王鹏飞，北京邮电大学计算学院助理教授，硕导。个人研究领域包括文本分析、推荐系统。在SIGIR，WSDM，CIKM等学术会议上发表学术论文20余篇·。目前本人带领实验的研究生从事数据挖掘、机器学习方面的工作。

报告摘要

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。本次报告我们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。

报告嘉宾

王希廷

微软亚洲研究院主管研究员

报告题目： 可解释推荐系统：身怀绝技，一招击中用户心理

嘉宾简介

王希廷，微软亚洲研究院主管研究员。2011年于清华大学获得工学学士学位2017年于清华大学获得工学博士学位。研究成果发表在数据挖掘和可视化的顶级会议和期刊上，包括KDD、ICML、TKDE、AAAI、IJCAI、VAST和TVCG等。1篇一作论文被TVCG选为2016年12月的spotlight article。现担任WWW、AAAI等顶级会议的程序委员会成员，曾担任TKDE、TVCG、InfoVis等顶级会议、期刊的审稿人。

报告摘要

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。在这次报告中，我们将结合最新发表论文，介绍可解释推荐的分类、推荐解释生成方法以及可解释推荐面临的机遇和挑战。

报告嘉宾

石川

北京邮电大学教授、博导

报告题目： 基于异质信息网络的推荐技术与应用

嘉宾简介

石川，北京邮电大学计算机学院教授、博士生导师、智能通信软件与多媒体北京市重点实验室副主任。主要研究方向: 数据挖掘、机器学习、人工智能和演化计算。近五年来，作为第一作者或通信作者发表高水平学术论文50余篇，英文专著一部，包括数据挖掘领域的顶级期刊和会议IEEE TKDE、ACM TIST、KDD、AAAI、IJCAI、WWW等，相关研究成果应用于阿里巴巴、腾讯、华为等公司。获得ADMA2011/AMDA2018国际会议最佳论文奖、CCF-腾讯犀牛鸟基金及项目优秀奖，并指导学生获得顶尖国际数据挖掘竞赛IJCAI Contest 2015 全球冠军。获得北京市高等学校青年英才和师德先锋等称号。

报告摘要

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。我们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。本报告将介绍我们近期在这方面的研究进展以及应用案例。

特邀嘉宾

连德富

中国科学技术大学研究员、博导

报告题目： 面向高效在线匹配的推荐系统

嘉宾简介

连德富，中国科学技术大学计算机科学与技术学院研究员，博士生导师。他曾是电子科技大学副教授、悉尼科技大学访问学者，曾入选微软亚洲研究院铸星计划、电子科技大学星火计划。他的主要研究方向是推荐系统、时空数据挖掘、深度学习以及教育数据挖掘。他在KDD、TKDE、TOIS、IJCAI等高水平期刊和会议上发表论文50余篇。他曾获得教育部自然科学一等奖、四川省高等教育教学成果奖二等奖、中科院院长奖、APWeb最佳学生论文等。研究成果得到MIT技术评论、中国科学报、人民日报等多家媒体的广泛报道。

报告摘要

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。本次报告中将简要介绍物品召回的相关技术，包括哈希学习、向量量化等。

另外还有6位来自工业界的嘉宾将在27日下午为大家带来分享，详细信息请关注学会后续通知。

报名及注册费用

1、本期讲习班限报200人，按缴费先后顺序录取，报满为止。

2、2019年10月25日（含）前注册并缴费：

在校学生参会可享受499元/人优惠价格；

学会会员1600元/人，非会员报名同时入会 2000元/人；

现场缴费会员2000元/人、非会员2500元/人；

团体会员参加，按会员标准缴费；

同一单位组团（5人及以上）报名，均按会员标准缴费。

3、注册费包括讲课资料和2天会议期间午餐，其它食宿、交通自理。

网址

请登录如下网址了解更多内容：

http://www.caa.org.cn/assia12/

可点击底部“阅读原文”直接进入网址查看。

联系方式

联 系 人：辛宇

联系电话：010-82544676

18811748370（微信同号）

扫码添加工作人员辛宇了解更多讲习班详情

来源：学会秘书处

往期文章
【重要通知】2019年度中国自动化学会科普奖和自动化与人工智能创新团队奖延期至2019年10月15日
【重要通知】关于开展第十六届中国青年科技奖候选人推荐与评选工作的通知
【重要通知】中国自动化学会关于开展第十六届中国青年女科学家奖、2019年度未来女科学家计划候选人推荐工作的通知
【邀请函】2019中国自动化大会（CAC2019）支持和展示的邀请函
【重要通知】关于组建中国自动化学会专家库的通知
【重要通知】关于开展2019年度中国自动化学会会士候选人提名工作的通知
【奖项】2019年CAA高等教育教学成果奖评审结果公告
【公示】中国自动化学会第五届青年科学家奖评审结果公示
【CAA】中国自动化学会选举产生第十一届理事会领导机构（内附名单）
热烈祝贺中国自动化学会常务理事、火箭军工程大学教授胡昌华荣获中共中央军委通令记功
【奖励申请季】中国自动化学会奖励申请信息一览

联系我们
地址：北京市海淀区中关村东路95号
邮编：100190
电话：010-82544542（综合）
          010-62522472（会员）
          010-62522248（学术活动）
          010-62624980（财务）
传真：010-62522248
邮箱：caa@ia.ac.cn

更多精彩
官方微信公众号（英文）
名称：CAA OFFICIAL
微信号：caaofficial
会员微信公众号 
名称：CAA会员服务 
微信号：caa-member

点击“阅读原文”查看更多内容