主题: Building Useful Recommender Systems for Tourists

简介: 推荐系统是信息搜索和过滤工具,应为要使用的项目提供建议。 最先进的推荐系统利用数据挖掘和信息检索技术来预测商品在多大程度上适合用户的需求和需求,但是通常它们最终会提出明显而无趣的建议,尤其是在复杂领域(例如旅游业)。 在演讲中,将介绍典推荐器系统的思想和技术。 我们将讨论为游客建立有用的推荐系统所需的一些关键要素。 因此,我们将指出推荐系统研究的一些局限性和挑战。 然后,我们将介绍一些新颖的技术,这些技术利用从观察到的游客行为中收集的数据来生成更有用的个人和团体推荐。

嘉宾介绍: Francesco Ricci博士是Bozen-Bolzano自由大学(意大利)的正教授兼计算机科学学院院长。他与他人共同编辑了《推荐系统手册》(Springer,2011年,2015年),并作为ACM推荐系统会议(2007年至2010年)指导委员会主席在社区中积极工作。他(2000年至2006年)曾是ITC-irst(意大利特伦托)的电子商务和旅游业研究实验室(eCTRL)的高级研究员和技术总监。从1998年到2000年,他是Sodalia s.p.a.的研究和技术部门的系统架构师。

成为VIP会员查看完整内容
0
26

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。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

题目: A Survey on Knowledge Graph-Based Recommender Systems

摘要:

为了解决信息爆炸问题,提高用户在各种在线应用中的体验,人们开发了推荐系统来模拟用户的偏好。尽管人们已经为更个性化的推荐做了很多努力,但是推荐系统仍然面临着一些挑战,如数据稀疏和冷启动。近年来,以知识图为辅助信息的推荐生成引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,使推荐更加准确,而且可以为推荐项目提供解释。本文对基于知识图的推荐系统进行了系统的研究。我们收集了最近在这一领域发表的论文,并从两个角度对其进行了总结。一方面,我们通过研究论文如何利用知识图进行精确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,提出了该领域的几个潜在研究方向。

成为VIP会员查看完整内容
0
122

** 简介:**

推荐方法构造了预测模型,以估计用户与项目交互的可能性。先前的模型在很大程度上遵循一般的监督学习范式-将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,此类方法忽略了数据实例之间的关系,这可能导致性能欠佳,尤其是对于稀疏场景。此外,建立在单独数据实例上的模型几乎无法显示出推荐背后的原因,从而使过程难以理解。

在本教程中,我们将从图学习的角度重新审视推荐问题。可以将用于推荐的通用数据源组织成图形,例如用户-项目交互(二分图),社交网络,项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,从而为利用高阶连通性带来了好处,这些高阶连通性对有意义的模式进行了编码,以进行协作过滤,基于内容的过滤,社会影响力建模和知识感知推理。结合图神经网络(GNN)的最新成功,基于图的模型已展现出成为下一代推荐系统技术的潜力。本教程对基于图的学​​习方法进行了回顾,以提出建议,特别关注GNN的最新发展和知识图谱增强的建议。通过在本教程中介绍这个新兴而有前途的领域,我们希望观众可以对空间有深入的了解和准确的见解,激发更多的想法和讨论,并促进技术的发展。

目录:

作者简介:

王翔是新加坡国立大学(NUS)计算机学院的研究员。 他获得了博士学位。 他于2019年获得国大计算机科学博士学位。他的研究兴趣包括推荐系统,信息检索和数据挖掘。 在SIGIR,KDD,WWW和AAAI等顶级会议上,他拥有20多种出版物,包括TOIS和TKDE等期刊。 他曾担任CCIS 2019的本地主席,包括SIGIR,CIKM和MM在内的顶级会议的PC成员以及TKDE和TOIS等著名期刊的定期审稿人。

成为VIP会员查看完整内容
0
83

讲座题目

社会用户兴趣挖掘:方法与应用:Social User Interest Mining: Methods and Applications

讲座简介

社交网络上丰富的用户生成内容提供了建立模型的机会,这些模型能够准确有效地提取、挖掘和预测用户的兴趣,希望能够实现更有效的用户参与、更好质量地提供适当的服务和更高的用户满意度。虽然传统的建立用户档案的方法依赖于基于人工智能的偏好获取技术,这些技术可能被用户认为是侵入性的和不受欢迎的,但最近的进展集中在确定用户兴趣和偏好的非侵入性但准确的方法上。在本教程中,我们将介绍与有效挖掘用户兴趣相关的五个重要方面: 1)用于提取用户兴趣的信息源 2)文献中提出的各类用户兴趣简介 3)为挖掘用户利益而采用或提议的技术 4)最新方法的可扩展性和资源需求 5)文献中采用的评估方法,用于验证挖掘的用户兴趣概要的适当性。我们还将介绍现有的挑战、开放的研究问题和激动人心的工作机会。

讲座嘉宾

Fattane Zarrinkalam博士是Ryerson大学系统、软件和语义实验室(LS3)的博士后研究员,她在那里从事与支持语义的社交网络分析相关的项目。在博士研究期间,她专注于根据社交网络(尤其是Twitter)上的个人和集体行为来识别社交媒体用户的兴趣。她在CIKM、ESWC和ECIR等场馆发表了自己的作品。此外,她还在包括信息检索、信息处理和管理在内的顶级期刊上发表期刊论文。此外,在她攻读博士学位期间,她参与了两项向美国专利局提出的专利申请。

成为VIP会员查看完整内容
0
33

报告主题: 信息检索

报告摘要: 信息检索是用户进行信息查询和获取的主要方式,是查找信息的方法和手段。信息按一定的方式进行加工、整理、组织并存储起来,再根据信息用户特定的需要将相关信息准确的查找出来的过程。又称信息的存储于检索。

邀请嘉宾: 任昭春,博士,山东大学教授,博士生导师。2016年10月在荷兰阿姆斯特丹大学取得博士学位;2016年至2017年在伦敦大学学院工作,2017年至2019年在京东数据科学实验室担任算法科学家。任昭春主要从事信息检索和自然语言处理方面的研究,特别关注于社交媒体内容分析,搜索多样性,问答和对话系统,以及可解释性推荐系统等研究问题,目前已在计算机领域各个国际顶级会议和期刊上共发表60余篇论文,获得信息检索领域国际顶级会议WSDM2018最佳学生论文奖和CIKM2017最佳长论文提名奖;应邀担任信息检索领域和自然语言处理领域多项顶级会议程序委员会委员和顶级期刊审稿人。同时任昭春在信息检索领域一直担任多项会议和期刊的组织服务工作。

成为VIP会员查看完整内容
0
22

主题:Deep Learning for Graphs: Models and Applications

摘要:图提供了多种类型的数据的通用表示,而深度学习在表示学习方面显示了巨大的能力。因此,用图连接深度学习提供了机会,使各种现实世界问题的通用解决方案成为可能。然而,传统的深度学习技术对常规网格数据(如图像和序列)具有破坏性,因此不能直接应用于图结构数据。因此,将这两个领域结合起来面临着巨大的挑战。在本教程中,我将全面概述图深度学习的最新进展,包括模型和应用。特别地,我将介绍一些基本概念,回顾最先进算法,并举例说明各种重要的应用。最后,我将通过讨论开放问题和挑战来总结本教程。

嘉宾简介:唐继良(Jiang Tang)自2016年秋季@起担任密歇根州立大学计算机科学与工程系的助理教授。在此之前,他是Yahoo Research的研究科学家,并于2015年从亚利桑那州立大学获得博士学位。他的研究兴趣包括社交计算,数据挖掘和机器学习及其在教育中的应用。他曾获得2019年NSF职业奖,2015年KDD最佳论文亚军和6项最佳论文奖,包括WSDM2018和KDD2016。他是会议组织者(例如KDD,WSDM和SDM)和期刊编辑(例如TKDD)。他的研究成果发表在高排名的期刊和顶级会议论文集上,获得了数千篇引文(Google学术搜索)和广泛的媒体报道。

PPT链接:https://pan.baidu.com/s/1TMv5YsQbwPcRzGy-BkY-bg

成为VIP会员查看完整内容
0
42

主题: Recommending for Impact:Intentions, Algorithms, and Metrics

简介: 推荐影响力是什么意思?推荐者运营商的利益与用户利益之间的矛盾在哪里?我们可以衡量推荐或推荐算法的影响吗?以及我们如何优化算法以提高影响力?本演讲对推荐系统的领域进行了长久的探讨,包括以影响为重点的重大发展时期和通过其他目标实现的技术进步时期。在此基础上,我们着眼于以影响为重点的推荐系统研究的有前途的方向。

嘉宾介绍: Joseph A. Konstan 是麦克奈特大学(McKnight University)的教授,以及明尼苏达大学科学与工程学院的副院长。他的研究解决了各种人机交互问题,包括个性化(特别是通过推荐系统),发起了在线参与以及设计计算机系统以改善公共卫生,他可能以其在协作过滤推荐器中的工作而闻名(GroupLens项目,该项目获得了ACM软件系统奖)。

成为VIP会员查看完整内容
0
30

主题: Context Adaptation with Session‐based Recommenders

简介: 在各种社会科学和技术学科中,上下文信息已被广泛认为是重要的建模维度。 尽管已经在上下文感知推荐器系统(CARS)领域进行了大量研究,但是许多现有方法都集中于将推荐的预定义和静态上下文因素纳入代表性视图处理。本报告介绍了CARS的挑战以及未来的研究算法的类别。

嘉宾介绍: Dietmar Jannach是奥地利AAU Klagenfurt的信息系统专业教授。 在2017年加入AAU之前,他是德国多特蒙德理工大学的计算机科学教授。 在他的研究中,他专注于将智能系统技术应用于实际问题以及开发用于构建知识密集型软件应用程序的方法。 在过去的几年中,Dietmar Jannach致力于推荐系统的各个实际方面。 他是2010年剑桥大学出版社出版的第一本有关该主题的教科书的主要作者,并且是一家技术初创公司的联合创始人,该公司创建了屡获殊荣的交互式咨询解决方案产品。

成为VIP会员查看完整内容
0
26

报告主题: Coupling Everything: A Universal Guideline for Building State-of-The-Art Recommender Systems

简介:

如今,人工智能(AI)的复兴引起了世界各地的广泛关注。特别是机器学习方法已经深入到几乎人工智能研究的所有领域,如自然语言处理(NLP),计算机视觉(CV)和规划。特别是推荐系统(RS),作为应用最广泛的人工智能系统之一,已经融入了我们日常生活的方方面面。在这个人工智能时代,最先进的机器学习方法,例如深度学习,已经成为建模高级RSs的主要选择。需要注意的是,不同的数据是RSs执行不同推荐任务的动力来源。

经典的RSs是建立在相关数据(如评分或内容)是独立同分布(IID)的假设上的,而IID存在许多问题,如冷启动和数据稀疏。因此,许多最先进的RSs都通过整合不同的信息来增强机器学习技术。本教程将分析高级推荐问题中的数据、挑战和业务需求,并从非独立同分布的角度介绍机器学习的最新进展,从而为下一代RSs建模。这包括总体的RS进化和推荐中的非独立同分布性,社会RS的高级机器学习,基于分组的RS,基于会话的RS,跨域RS,上下文感知RS,多模态RS,多标准RS,在用户、项目、上下文、模式和标准之间的模型各种耦合方面。

邀请嘉宾:

Liang Hu,澳大利亚悉尼科技大学高级分析研究所研究员。他的研究兴趣包括推荐系统、数据挖掘、机器学习、表示学习和一般人工智能。在推荐系统领域的顶级国际会议和期刊上发表了多篇论文,包括WWW、IJCAI、AAAI、ICDM、ICWS、TOIS、JWSR。他在顶级会议上发表过几篇教程,包括IJCAI、AAAI和PAKDD。

操龙兵教授中科院模式识别与智能系统博士,悉尼科技大学计算科学博士。先在中国任图书编辑、市场策略研究、商业智能公司首席技术官,后转至澳洲任讲师、高级讲师、副教授与教授(2009年)等至今。现任 澳大利亚悉尼科技大学工程与信息技术学院教授,是 悉尼科技大学高级分析研究所(Advanced Analytics Institute)的创所所长,中科院海外评审专家、中国科学技术大学与上海交通大学等高校的客座教授,被上海证券交易所多次聘为高级金融专家、深交所聘为博士后指导老师。IEEE数据科学与先进分析学任务组主席,IEEE行为、经济与社会文化计算任务组主席,ACM SIGKDD澳大利亚新西兰分会发起人与主席,澳洲资本市场联合研究中心(CMCRC)数据挖掘方向研究带头人, IEEE数据科学与先进分析学DSAA大会发起人。IEEE计算机分会,系统、人与控制分会以及计算智能分会高级会员,包括ACM Computing Surveys等多个学术刊物的编委与特刊编辑、International Journal of Data Science and Analytics创刊主编,IEEE Intelligent Systems副主编;KDD2015, DSAA2015, PAKDD2013与ADMA2013大会主席,IJCAI、ICDM、PAKDD与DSAA等程序委员会主席、副主席/领域主席等,包括KDD、IJCAI、AAAI与AAMAS等在内的100多个国际会议的SPC/PC委员。专著4部、编著4部、论文集15部、期刊与会议论文300多篇。

成为VIP会员查看完整内容
0
15
小贴士
相关VIP内容
【CCL 2019】2019信息检索趋势,山东大学教授任昭春博士
专知会员服务
22+阅读 · 2019年11月12日
相关资讯
Python推荐系统框架:RecQ
专知
12+阅读 · 2019年1月21日
推荐系统
炼数成金订阅号
25+阅读 · 2019年1月17日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
12+阅读 · 2018年11月29日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
8+阅读 · 2018年5月4日
【推荐】RecSys 2017深度总结
LibRec智能推荐
5+阅读 · 2018年3月19日
LibRec 每周精选:近期推荐系统论文及进展
机器学习研究会
4+阅读 · 2018年2月5日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
相关论文
Gourab K. Patro,Arpita Biswas,Niloy Ganguly,Krishna P. Gummadi,Abhijnan Chakraborty
5+阅读 · 2020年2月25日
Memory Augmented Graph Neural Networks for Sequential Recommendation
Chen Ma,Liheng Ma,Yingxue Zhang,Jianing Sun,Xue Liu,Mark Coates
12+阅读 · 2019年12月26日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
14+阅读 · 2019年11月23日
Han Zhu,Xiang Li,Pengye Zhang,Guozheng Li,Jie He,Han Li,Kun Gai
8+阅读 · 2018年5月21日
Julia Kreutzer,Shahram Khadivi,Evgeny Matusov,Stefan Riezler
3+阅读 · 2018年4月16日
Markus Schedl,Hamed Zamani,Ching-Wei Chen,Yashar Deldjoo,Mehdi Elahi
7+阅读 · 2018年3月21日
Massimo Quadrana,Paolo Cremonesi,Dietmar Jannach
8+阅读 · 2018年2月23日
Huan Zhao,Quanming Yao,Yangqiu Song,James Kwok,Dik Lun Lee
10+阅读 · 2018年1月8日
Xiangyu Zhao,Liang Zhang,Zhuoye Ding,Dawei Yin,Yihong Zhao,Jiliang Tang
12+阅读 · 2018年1月5日
Shuai Zhang,Lina Yao,Aixin Sun
4+阅读 · 2017年8月3日
Top