2019年10月26-27日，由中國自動化學會主辦的第十二期智能自動化學科前沿講習班在北京成功舉辦，此次講習班主題為“推薦系統”，由中國人民大學趙鑫副教授擔任學術主任，邀請來自學術界和工業界的12位嘉賓進行分享。約兩百位來自全國各相關高校、科研院所、企事業單位的相關科研工作人員參加了此次講習班。
首先由此次講習班學術主任趙鑫副教授進行致辭，趙鑫老師對講習班的背景和基本情況做了簡要介紹，并對推薦系統的發展進行了簡要回顧，希望大家能夠通過參加此次講習班活動有所收獲。
首先由中國人民大學徐君教授帶來題為“面向搜索和推薦的強化排序學習模型”的報告。在互聯網搜索和推薦系統中，排序模型決定了系統向用戶所展示的網頁或物品順序，在很大程度上影響著用戶的使用體驗。近年來，得益于其強大的交互式建模能力，強化學習技術被逐步地被應用于搜索和推薦排序并取得了良好的效果，被稱為“強化排序學習”。徐君教授的報告介紹了近年來強化排序學習在搜索和推薦系統中的研究進展，包括強化學習基礎和基于強化學習的網頁排序以及商品推薦模型，實驗結果表明，在搜索和推薦中強化排序學習均能學習到較優的排序策略。
武漢大學李晨亮副教授所作報告題目為“基于評論數據的推薦技術”，商品的評論數據包含豐富的語義信息，為我們開展個性化的推薦提供了依據。深度神經網絡強大的語義抽取與理解能力能克服傳統文本語義分析中詞袋模型的缺陷，幫助我們更好地刻畫用戶的喜好與商品的特點，也為基于評論的商品推薦提供了新的機遇。時至今日，基于深度學習技術，面向評論數據的推薦系統已取得了諸多進展。李晨亮老師的報告回顧了近幾年來基于評論數據的推薦技術，主要介紹了深度學習技術在該領域以及在推薦可解釋性方面的若干進展，并對基于評論的推薦系統的發展趨勢進行了展望。
下午首先為大家帶來報告的是合肥工業大學吳樂副教授，吳樂老師所作報告題目為“面向復雜社交多媒體平臺的個性化推薦算法: 準確度與解釋性”。隨著在線社交網絡及智能移動設備的普及，社交多媒體時代悄然來臨。用戶社交化與信息媒體化正悄然改變著人類分享交流及購買產品的方式。社交多媒體平臺豐富信息為理解用戶意圖鴻溝，提升個性化推薦的精確度與解釋性帶來了機遇。但同時，社交多媒體平臺數據的復雜異構性與用戶興趣的復雜隱藏性也對研究提出了挑戰。吳樂老師的報告簡要介紹了團隊在此方向的一些進展，包括：社交網絡中基于傳播擴散的社交推薦模型，多媒體平臺中的基于顯示媒體語義信息的可解釋個性化推薦模型，及社交多媒體平臺中融合多源異構信息構建的通用個性化推薦算法。
北京郵電大學助理教授王鵬飛為大家帶來題為“基于時序特性的推薦系統的分析與研究”的報告，用戶行為的時序性是推薦場景中一個十分重要的特性，近年來引起了人們廣泛的關注，其中的核心問題便是如何圍繞用戶行為的時序性進行推薦模型的設計。王老師的報告從時序推薦場景的上下文信息，以及時序模型選擇兩方面出發，對基于時序特性的推薦系統進行深入的分析與總結，并對未來進行了展望。
微軟亞洲研究院主管研究員王希廷所作報告題目為“可解釋推薦系統：身懷絕技，一招擊中用戶心理”，傳統的推薦系統將重心放在提高推薦準確性上，與推薦對象的溝通通常考慮得不夠。可解釋的推薦系統能夠給出用戶最易接受的推薦解釋，充分抓住用戶心理與用戶溝通。研究發現，這樣的系統不僅能夠提升系統透明度，還能夠提高用戶對系統的信任和接受程度、用戶選擇體驗推薦產品的概率以及用戶滿意程度等等。報告結合了最新發表的論文，介紹了可解釋推薦的分類、推薦解釋生成方法以及可解釋推薦面臨的機遇和挑戰。
第二天首先為大家帶來報告的是北京郵電大學石川教授，石教授所作報告題目為“基于異質信息網絡的推薦技術與應用”。當前的社會網絡分析主要針對同質網絡（即網絡中結點類型相同），但是現實世界中的網絡化數據通常包含不同類型的對象，并且對象之間的關聯表示不同的語義關系。構建異質信息網絡（即包含不同類型的結點或邊的網絡）可以包含更加完整的對象之間的關聯信息，因此分析這類網絡有希望挖掘更加準確的模式。石教授團隊將推薦系統的對象和交互關系構建成異質信息網絡，這樣可以融合更加全面的信息，包含豐富的語義。采用異質信息網絡分析方法有潛力提升推薦性能，產生可解釋性推薦。報告主要介紹了近期在這方面的研究進展以及應用案例。
第二個為大家帶來報告的是中國科學技術大學連德富教授，他所作的報告題目為“面向高效在線匹配的推薦系統”，信息技術的快速發展導致信息過載問題出現。推薦系統是解決信息過載最有效的方式之一。近年來，深度學習的快速發展也帶動了推薦系統的發展，各種基于深度推薦算法層出不窮。然而由于候選物品數量巨大且用戶興趣動態變化，深度推薦算法的推薦復雜度巨大，難以在實際系統中直接部署使用。在深度推薦技術發展的同時，物品召回技術也有了較大的發展與進步。連老師的報告簡要介紹了物品召回的相關技術，包括哈希學習、向量量化等。
27號下午有5位來自工業界的報告嘉賓為大家帶來了精彩報告，百度paddlepaddle主任研發工程師董大祥主要介紹了paddlepaddle在推薦場景場景下的并行訓練技術，模型算法，案例應用等。
BOSS直聘NLP中心負責人宋洋所作報告題目為“基于深度匹配技術的人崗推薦”，近年來，隨著互聯網求職招聘平臺的不斷發展，該場景下的雙邊匹配推薦問題越來越受到學術界和工業界的廣泛關注。報告主要圍繞BOSS直聘NLP中心近年來在KDD、CIKM和EMNLP上所發表的學術論文介紹了基于深度匹配技術的人崗推薦系統，分別是融合歷史行為偏好的人崗推薦，聯合雙邊意愿與匹配的人崗推薦，以及領域自適應的人崗推薦。
京東商城數據科學實驗室研究科學家王帥強為大家帶來題為“京東商城推薦系統研究進展”的報告，當前推薦系統已經成為電子商務網站的基本工具，在真實的線上系統中，由于用戶和商品的規模非常大，不可能預測用戶對每個商品的偏好程度。一般而言，在工業界，推薦系統排序的整個過程分為兩步：候選商品的選取，以及候選商品排序。報告分別介紹了京東商城推薦系統基于深度學習和強化學習對這兩個步驟的優化探索。
美團點評NLP中心的研究員知識圖譜團隊負責人張富崢博士帶來題為“生活服務領域知識圖譜的構建及應用”的報告。作為全球領先的生活服務電子商務平臺，美團點評擁有圍繞吃喝玩樂全場景的豐富數據，通過使用深度學習技術以及自然語言處理技術，對這些跨場景數據進行充分挖掘、映射、聚合與關聯，美團NLP中心構建了一個全世界最大的餐飲娛樂知識圖譜——“美團大腦”，來促進每個場景下應用服務的智能升級。報告主要介紹了知識圖譜基礎知識及行業現狀、"美團大腦"的構建方法、以及目前在搜索推薦、賦能商家等方面的一些初步進展與落地場景。
阿里巴巴達摩院算法專家周暢所作報告題目為“認知推薦的前沿研究與應用”。傳統的推薦系統算法側重于關注點擊轉化等指標的優化，在電商環境下，推薦場景也承擔著種草養草的需求，需要主動激發用戶潛在的興趣而非當下或者已有的興趣。而這樣的定位需要我們能夠有辦法能夠找到打動用戶的切入點并進行合理的引導，這就對如何理解用戶提出了更高的要求。報告從認知的角度，分享了阿里在用戶商品解離化表征學習、內容生成以及推理方面的工作。
學會秘書處 供稿
