活动预告 | 自监督学习在推荐系统中的应用

2022 年 6 月 8 日 THU数据派

  
  
    
   
   
     
    
    
      
     
     
       
      
      
        
       
       
          
          来源：AI Time论道 
         
      
      
        
     
     
       
    
    
      
   
   
     
  
  
    
  
  
    
   
   
     
    
    
      
     
     
       
      
      
        
       
       
          
            本文为约1462字，建议阅读4分钟 
           
           本文介绍了6月11日晚19: 
           00,来自清华大学等高校的三位学者带来的自监督学习在推荐系统中的应用主题分享，欢迎扫码观看直播。

6月11日19:00-20:30，本期PhD Debate直播间邀请了来自香港大学计算机学院助理教授黄超、新加坡国立大学博士后张震、清华大学博士生武楚涵和中国科学技术大学博士生吴剑灿，与大家一起聊一聊自监督学习在推荐系统中的应用。

近年来，自监督学习在各个领域得到了广泛的应用。通过引入额外的监督信号，来解决数据稀疏性的问题。

1、针对于不同的推荐场景，如何更好地设计出自监督的辅助任务，从而增强用户表征学习?

2、在不同的推荐场景中，自监督对比学习任务构建有什么不同的有效方式？

3、在不同的场景中自监督学习面临什么挑战？

4、多模态的数据引入到推荐系统中，如何更好地实现模态数据的融合？

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号预约直播

★ 嘉宾简介 ★

黄超：

香港大学计算机学院助理教授，博士生导师。目前主要的研究方向为人工智能，数据挖掘，时空数据分析，图神经网络，推荐系统。在KDD, WWW, SIGIR, ICDE, AAAI, IJCAI, CIKM, WSDM等数据挖掘和人工智能领域顶级会议发表论文40余篇。以第一作者及通讯作者发表的论文分别获得WWW’2019，WSDM’2022最佳论文提名。与此同时，连续担任了KDD, SIGIR, WWW, NIPS, ICLR, AAAI, IJCAI, WSDM, CIKM等会议的评审委员会委员，以及TKDE, TOIS, TIST, TOC, TKDD, TNNLS等期刊的长期审稿人。并且被WSDM’2020和WSDM’2022会议授予优秀评审委员奖。所研发的用户建模算法和系统被部署运用于海量的用户数据平台，相关研究成果被多家著名学术媒体报道。

张震：

新加坡国立大学博士后。目前主要的研究方向是数据挖掘、图神经网络等。曾在KDD、WWW以及TKDE等数据挖掘顶级会议或者期刊上发表学术论文数篇，担任过AAAI，MM，ECCV，CIKM等多个知名学术会议的评审委员会委员，以及TKDE，Neural Networks，ACM Computing Surveys等期刊的长期审稿人。

武楚涵：

清华大学电子工程系博士生。主要研究方向为推荐系统，用户建模与自然语言处理。曾在TOIS和TIST等学术期刊以及KDD和ACL等学术会议发表论文若干，谷歌学术引用1800余次，h指数24，曾获得微软学者等荣誉。曾经或正在担任多个知名学术会议的（高级）程序委员会委员、研讨会程序主席、多个Transaction期刊审稿人以及Frontiers in Public Health客座编辑等，多项研究工作落地于实际商业推荐与广告系统之中。