教程题目: Foundations and Trends for Personalized Recommendation

摘要:

个性化推荐在当前的信息消费环境中起着至关重要的作用。本教程主要包括两个部分:基础和趋势。在第一部分中,我们将介绍个性化推荐系统的基本问题,包括用户意图和需求、挑战性问题和最新技术。在第二部分,我们将重点关注相关领域的新趋势话题,包括(但不限于):用户满意度与评价、可解释推荐、基于知识图谱和推理的推荐、跨域异构推荐、推荐系统中的公平性问题等。最后,将与与会者讨论未来的发展方向。

嘉宾介绍

张敏博士是清华大学计算机科学与技术系的终身副教授,专门从事网络搜索和推荐以及用户建模。她是计算机系智能技术与系统实验室副主任,清华-MSRA媒体与搜索实验室执行主任。她还担任ACM信息系统事务(TOIS)的副编辑,SIGIR 2019教程主席,SIGIR 2018短论文主席,WSDM 2017项目主席等。发表论文100余篇,被引用次3500余次,H指数32分。2016年获北京市科技奖(一等奖),2018年获全国高校计算机科学优秀教师奖等。她还拥有12项专利,并与国内外企业进行了大量的合作。

成为VIP会员查看完整内容
67

相关内容

邻近算法,或者说K最近邻(kNN,k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。 kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时,只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,kNN方法较其他方法更为适合。
【新书】图神经网络导论,清华大学刘知远老师著作
专知会员服务
358+阅读 · 2020年6月12日
清华大学唐杰老师:用于理解、推理和决策的认知图计算
专知会员服务
118+阅读 · 2019年11月30日
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
【北大】知识图谱的关键技术及其智能应用
专知
111+阅读 · 2019年9月19日
史上最完整的5G介绍PPT
网易智能菌
25+阅读 · 2019年7月12日
清华大学:人工智能之知识图谱(附PPT)
人工智能学家
65+阅读 · 2019年6月9日
《中国人工智能发展报告2018》(附PDF下载)
走向智能论坛
19+阅读 · 2018年7月17日
Talking-Heads Attention
Arxiv
15+阅读 · 2020年3月5日
Arxiv
17+阅读 · 2019年3月28日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
13+阅读 · 2018年4月18日
Arxiv
3+阅读 · 2017年12月23日
Arxiv
6+阅读 · 2017年12月2日
VIP会员
相关VIP内容
【新书】图神经网络导论,清华大学刘知远老师著作
专知会员服务
358+阅读 · 2020年6月12日
清华大学唐杰老师:用于理解、推理和决策的认知图计算
专知会员服务
118+阅读 · 2019年11月30日
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
相关论文
Talking-Heads Attention
Arxiv
15+阅读 · 2020年3月5日
Arxiv
17+阅读 · 2019年3月28日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
13+阅读 · 2018年4月18日
Arxiv
3+阅读 · 2017年12月23日
Arxiv
6+阅读 · 2017年12月2日
微信扫码咨询专知VIP会员