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
成为VIP会员查看完整内容
【Slides】Bayesian Optimization for Balancing Metrics in Recommender Systems
相关内容
推荐系统，是指根据用户的习惯、偏好或兴趣，从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同，这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
Arxiv
8+阅读 · 2020年4月13日
Arxiv
3+阅读 · 2018年8月27日
相关VIP内容
相关资讯
相关论文
Arxiv
8+阅读 · 2020年4月13日
Arxiv
3+阅读 · 2018年8月27日
微信扫码咨询专知VIP会员