LinkedIn《贝叶斯优化推荐系统》，IJCAI报告，142页ppt

大多数大型在线推荐系统，如新闻推送排名、人员推荐、工作推荐等，通常都有多个实用工具或指标需要同时优化。经过训练以优化单一效用的机器学习模型通过参数组合在一起，生成最终的排名函数。这些组合参数驱动业务指标。找到正确的参数选择通常是通过在线A/B实验，这是非常复杂和耗时的，特别是考虑到这些参数对指标的非线性影响。

在本教程中，我们将讨论如何应用贝叶斯优化技术为这样复杂的在线系统获取参数，以平衡竞争性指标。首先，我们将深入介绍贝叶斯优化，包括一些基础知识以及该领域的最新进展。其次，我们将讨论如何将一个真实世界的推荐系统问题制定为一个可以通过贝叶斯优化解决的黑盒优化问题。我们将专注于一些关键问题，如新闻推送排名、人员推荐、工作推荐等。第三，我们将讨论解决方案的架构，以及我们如何能够为大规模系统部署它。最后，我们将讨论该领域的扩展和一些未来的发展方向。

https://sites.google.com/view/ijcai2020-linkedin-bayesopt/home

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“BORS” 可以获取《LinkedIn《贝叶斯优化推荐系统》，IJCAI报告，142页ppt》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源