【推荐】RecSys 2017深度总结

2018 年 3 月 19 日 LibRec智能推荐 董振华

今年的ACM RecSys在美丽的科莫湖畔举办,本文将从会议总览推荐系统技术与发展趋势个人观感三个方面介绍本次大会。


会议总览



今年的RecSys接收26篇long paper(接收率:20.8%),20篇short paper(接收率:16.4%),研究内容覆盖human factor, algorithms, ranking, diversity, privacy等主题。由于没有像去年举办的RecSys那样限制参会人数,本次会议的与会者历史性地超过了600人,来自欧洲、中东和非洲等地区的参会人数明显增加。RecSys得到了工业界一如既往地重视,Google,Facebook,Microsoft,Criteo,Spotify,Apple,Amazon,Hulu以及阿里、百度、华为都派出了为数不少的推荐团队参会,其中,华为也是本次RecSys的铂金赞助商。在industry track中,工业界贡献了3个session,12个talk,演讲者来自微软,Netflix,LinkedIn,EA,AirBnB,以及一些Startup公司。


趋势与技术



1. 对话式推荐

本次RecSys让我愈加相信:通过对话的方式(语音或文本输入)为用户提供内容的搜索、推荐和发现服务,将会成为推荐的主流形式。目前,业界已经有较为成型的产品,如Echo,Apple Siri,京东小咚等。本次会议相关研究包括2篇研究论文和1个keynote,下面分别对其进行解读:


Short paper:“Defining and supporting narrative-driven recommendation”是来自心理学家的研究,给出了叙述式推荐请求的定义,分析该类型推荐的组成成分,并对用户的叙述式需求进行了分类,最后通过对读书论坛帖子数据的量化分析,计算叙述式推荐请求的普遍程度,以及各种需求类型的占比。


Long paper:“Understanding how people use natural language to ask for recommendations”,这是一项典型的GroupLens style研究工作,作者通过user study实验收集用户陈述电影推荐需求的文本数据,进而分析用户的一次请求和二次请求的类别,比较文本输入和语音输入的差异,最后针对对话式推荐的系统设计给出如下建议:


(1)在实施推荐前,对用户陈述的需求意图进行分类,大致可以分为客观、主观、导航三类;分情况给予推荐服务,如客观意图(如用户叙述为“关于二战的电影”,二战电影为客观词汇):根据陈述中的客观词汇过滤推荐结果;如主观意图(如用户叙述为“关于二战的电影,但不要过于血腥”,不要过于血腥味主观词汇):根据主观词汇进行排序;如导航(“如用户叙述为我想看兵临城下”,兵临城下为用户直接想要的结果):像搜索一样直接返回搜索词的相关列表。


(2)对用户二次陈述的推荐意图分类,大致分为两类refine和start over,分情况给予推荐服务,如refine:在第一轮推荐结果的基础上根据二次陈述中的限定条件予以过滤,或给予用户更多查询选型(suggested tags);start over:当二次陈述与一次陈述无关式进行重新查询。


(3)鉴于本研究发现的用户使用语音输入与文本输入的不同之处,系统设计者需要考虑这个问题:使用文本输入的数据集作为热启动数据,构建面向语音输入形态的对话推荐是否合理? 

这篇文章是human factor领域的典范研究,更多地从人的角度研究推荐,值得我们学习。


Keynote:Memory networks for Recommendation,来自于Facebook AI research的科学家Jason Weston,他的合适观点是推荐即对话,而Machine learning end-to-end system是终极解决方案,其中memory network是其中最为关键的技术。Jason介绍Facebook AI团队近年来在智能对话方面的的研究成果,最后着重介绍了Fackbook开源的对话研究平台:ParlAI,提供了对话研究和实现的框架,可以训练和评估dialog agent,开源了对话相关的数据集和算法,还能与Amazon Mechanical Turk无缝对接。相信ParlAI可以大力推动智能对话和对话式推荐研究的进展,此处要给Facebook掌声。


2. 深度学习

如果说深度学习的研究在去年的RecSys会议只是牛刀小试(请参考我的另一篇文章2016 RecSys参会总结:www.douban.com/note/583716751),那么深度学习已经成为了今年RecSys最受关注、论文收录最多的研究主题,会议包含了关于深度学习的1个tutorial,1个workshop,1个keynote,收入近20篇深度学习相关论文。研究方向主要包括:item embedding,deep collaborative filtering, feature extraction,session-based recommendation等。


Telefonical research 的主任研究员Alexandros带来了主题为deep learning for Recommendation systems的tutorial, 说明了深度学习在推荐系统应用的优势,主要包括自动抽取复杂域的特征,如图像、声音、文本等;善于处理异质数据;RNN能够较好地对动态或序列行为建模;可以用于用户和商品的新型表达学习方式。这个Tutorial也是目前我见过的最全面的面向推荐系统的深度学习技术的总结,这是该tutorial slides的下载链接:

https://www.slideshare.net/kerveros99/deep-learning-for-recommender-systems-recsys2017-tutorial。


本届RecSys值得关注的深度学习论文还包括:

  • Getting Deep Recommenders Fit: Bloom Embeddings for Sparse Binary Input/Output Networks 

  • Interpretable Convolutional Neural Networks with Dual Local and Global Attention for Review Rating Prediction

  • When Recurrent Neural Networks meet the Neighborhood for Session-Based Recommendation 

  • Recommendation of High Quality Representative Reviews in e-commerce

  • Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks  

  • Sequential User-based Recurrent Neural Network Recommendations

  • Deep Cross-Domain Fashion Recommendation

  • Boosting Recommender Systems with Deep Learning


3. 隐私

隐私保护是所有大数据应用都要面对的问题,推荐系统作为大数据应用中最重要的方向之一,亟需解决如何在保护用户隐私的前提下,为用户提供精准推荐?另一个重要背景是欧盟通过了General Data Protection Regulation(GDPR)法案,将于18年5月25日正式实施,该法案旨在保护欧盟公民的数据隐私,规范组织使用用户数据的方式、方法。这一法案需要引起志在出海的中国科技巨头们的关注。今年的RecSys涉及隐私相关研究的内容包括1个keynote,1个tutorial,以及一篇long paper:secure multi-party protocols for item-based collaborative filtering。


一些经典的模型和方法得到了更加深入的研究,在FM:an elementary view on factorization machine一文中,作者指出了经典FM优化的一些问题和bad case,并尝试用非对称优化的方法解决。在learning to rank相关应用中,RankSVM和LambdaMART模型已经成为了标准的基线方法。一些研究聚焦于推荐系统在特定domain下应用,如时尚产品推荐,游戏推荐,健康建议推荐等。


4. 来自资深专家的声音

在plenary panel discussion环节,会议邀请了RecSys领域最资深的4位专家讨论推荐系统的现状和未来,他们分别是:

  • 明尼苏达大学GroupLens实验室等Joe Konstan教授(ACM RecSys缔造者之一,也是第一届RecSys的主席)

  • Xavier Amatriain(Netflix的推荐系统的前任负责人,Quora的前任技术VP)

  • 匹兹堡大学的Peter Brusilovsky教授(用户建模,交互式推荐的资深专家)

  • 明尼苏达大学等George Karypis教授(数据挖掘,推荐系统模型,高性能计算等领域顶尖的研究者,也是WWW会议历史引用数第二高论文item-based CF recommendation algorithms的作者之一)。


下面简述几位专家对RecSys 会议的期望:系统设计者需要考虑。

  • Xavier:我们应该更多地鼓励公开数据集;我们需要更多地支持开源初始化的工作;增加工业界在RecSys会议和community的影响力;RecSys是否应该从ACM/SIGCHI独立出来,形成自己独立的社区?

  • George:不希望ACM RecSys成为另一个KDD,ICML或者BigData会议,研究要有推荐系统关联的insight。希望RecSys能过一如既往地强调用户建模和领域建模;希望推荐系统研究能够整合来在心理学,经济学,教育和市场营销方面的理论研究;聚焦解决那些难的问题,如评价,公平等;工业界积极地参与,以及创新的应用领域。

  • Joe提出一个有趣的建议,他希望RecSys会议未来的审稿过程可以这样:投稿人在做研究前,先将研究计划书提交给评委,由评委决策该研究是否适合RecSys会议,并给予指导意见,投稿人再根据意见重新设计研究主题,制定计划,进行研究。这样可以让投稿的论文与RecSys的主题更加契合,也可以节省审稿者和投稿人的时间。


个人观感



不知不觉,ACM RecSys已经举办了11届,听Joe Konstan教授讲起,首届RecSys 2007还是在密西西比河右岸明尼苏达大学的图书馆举办,Joe是那届会议的主席,John Riedl教授是程序委员会主席,那时参会的人数很少,赞助商也只有4家。十年之间,随着互联网、电子商务技术的蓬勃发展,个性化技术越来越普及,推荐系统成为了科技公司的核心竞争力,而如今的ACM RecSys已经成为了最受欢迎的学术会议之一,而推荐系统研究的先驱,GroupLens实验室的创始人John Riedl教授也离开了我们……


回想自己在2007年读研一时,通过电子报纸项目认识到个性化推荐的重要作用,通过阅读了相关论文和谷哥的博客Beyond Search,了解推荐系统的研究进展和工业界应用现状;用MovieLens数据集做最经典的user based KNN实验室;从豆瓣上爬取电影、图书、唱片的元数据以及用户对它们的评分数据,实现各种经典的推荐算法,并用在跨域推荐领域;因为醉心于推荐系统,所以我会从天津到北京,参加RecSys China组织的线下活动,第一次是在奇遇咖啡馆,项亮介绍Netflix prize百万美元竞赛使用的预测技术,第二次是在豆瓣总部,听王守崑介绍豆瓣的推荐系统;后来有机会去GroupLens实验室交流学习,在Riedl,Loren,Shilad教授的指导下从事human factor方面的研究,并用第一手的MovieLens和Wikipedia数据集做实验,提炼有趣研究问题,撰写有影响力的论文。


在GroupLens的经历,教会了我很多:什么才是有价值的研究?做什么样的研究?如何做研究?如何与别人合作共赢?那也是我最快乐的一段时光,因为我与最优秀的人一起共事,坚信自己做着改变世界的事情。回国完成博士学业后,加入华为诺亚方舟实验室,做面向工业界的推荐系统,直接为用户提供个性化推荐服务,很幸运,工作期间先后得到了杨强老师,戴文渊,李航老师,林智仁老师,何秀强的帮助和指导,并将我们构建的推荐系统在华为最主要的产品线上应用落地,并在实际产品中不断实践新的模型算法、系统平台和推荐策略,在为公司创造价值的同时用活的数据和真实推荐场景验证新的技术,让预研与应用形成良性互补。


想来自己作为研究者,是幸运的,可以在一个领域专研十年,有幸能与这个领域最优秀的专家、学者共事,在学术方面,做有趣的、前瞻性的研究,在工业界,使用推荐系统技术实现了大数据价值的变现,在提升用户体验的同时,为公司赚取真金白银。


因为推荐系统,让我有机会结识了很多志同道合的师长、朋友,今年的ACM RecSys,很高兴见到了很多故人、旧友,同时也结交了不少新的朋友,收获了很多新的想法和深刻的见解,感觉人生又完满了些。最后,祝福RecSys越办越好,我也会为RecSys的发展多做贡献,RecSys 2018,温哥华见!


作者简介



董振华:南开大学与明尼苏达大学联合培养博士生,现任华为诺亚方舟实验室主任研究员,研究方向为推荐系统、机器学习应用和社会计算,电子邮箱:65974293@qq.com。目前负责华为终端内容推荐系统,为数以亿计的华为终端用户提供个性化的内容和服务推荐。希望与业界同仁多交流,相互学习,共同进步。



登录查看更多
5

相关内容

清华大学张敏老师,个性化推荐的基础与趋势,145页ppt
专知会员服务
85+阅读 · 2019年11月27日
可解释推荐:综述与新视角
专知会员服务
108+阅读 · 2019年10月13日
Github项目推荐 | RecQ - Python推荐系统框架
AI研习社
8+阅读 · 2019年1月23日
推荐系统概述
Linux爱好者
20+阅读 · 2018年9月6日
各厂推荐算法!
程序猿
17+阅读 · 2018年1月13日
LibRec 每周精选:10篇每个人都应该读的RecSys文章
LibRec智能推荐
5+阅读 · 2018年1月1日
4个方面,系统总结个性化推荐系统
人人都是产品经理
7+阅读 · 2017年12月10日
推荐系统杂谈
架构文摘
28+阅读 · 2017年9月15日
Arxiv
8+阅读 · 2019年5月20日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
12+阅读 · 2018年1月20日
VIP会员
相关VIP内容
相关资讯
Github项目推荐 | RecQ - Python推荐系统框架
AI研习社
8+阅读 · 2019年1月23日
推荐系统概述
Linux爱好者
20+阅读 · 2018年9月6日
各厂推荐算法!
程序猿
17+阅读 · 2018年1月13日
LibRec 每周精选:10篇每个人都应该读的RecSys文章
LibRec智能推荐
5+阅读 · 2018年1月1日
4个方面,系统总结个性化推荐系统
人人都是产品经理
7+阅读 · 2017年12月10日
推荐系统杂谈
架构文摘
28+阅读 · 2017年9月15日
Top
微信扫码咨询专知VIP会员