冻品网站的建设背景,域名注册网站建设,手机编辑WordPress博客,成都广告设计公司排名文 | banana源 | 知乎RecSys 2020原计划是在南美洲巴西举办#xff0c;因为疫情的原因不得不改到线上。虽说线上举办会议#xff0c;参会效果会打折扣#xff0c;但也为远在北京的我提供了参会便利。得益于各方的努力和软件的应用#xff0c;整体来看此次参会的效果高于我对… 文 | banana源 | 知乎RecSys 2020原计划是在南美洲巴西举办因为疫情的原因不得不改到线上。虽说线上举办会议参会效果会打折扣但也为远在北京的我提供了参会便利。得益于各方的努力和软件的应用整体来看此次参会的效果高于我对它的预期。这里分享一些从工程师角度发现的一些亮点希望对大家有所帮助。会议组织的一些亮点先简单介绍一下此次会议的组织方式不得不说组织方确实用心了有人员有的可能24个小时都没休息。为了使全球各时区的参会人员都能方便地听到文章作者们的演讲大多数演讲作者会在不同的时间段演讲两次为了线上会议的流程可以顺利进行大会利用Whova软件帮助整个流程Whova当中包括了会议时间表直播平台收集提问论坛交友活动组织等功能为了参会者可以方便集合自由讨论大会用Gather.town 组织Poster Session等活动大家可以自行在一个虚拟的空间进行交流下图我站在这个虚拟空间过道的RECSYS面板前算是拍照留念了。Gather.town虚拟空间会议最新研究的一些亮点这是我第三次参加RecSys。推荐系统的研究进展并不快在会议上常常可以看到一些奇怪的研究方向重复的研究结果不过也能看到一些亮点。工业方向亮点有PURS: Personalized Unexpected Recommender System for Improving User Satisfaction,Behavior-based Popularity Ranking on Amazon VideoQuery as Context for Item-to-Item Recommendation这些方法要么经过工业界AB测试的验证要么是工程实现简单并能解决一些问题。学术方向亮点有Counterfactual Learning for Recommender SystemDebiasing Item-to-Item Recommendations with Small Annotated DatasetsA Large-scale Open Dataset for Bandit Algorithms这些方法要么新奇未来前景广泛要么包含公开源代码或者数据。下面我对这些亮点一一做简单的介绍PURS: Personalized Unexpected Recommender System for Improving User Satisfaction作者Pan Li是NYU Stern School of Business的一名博士生这个工作是与阿里巴巴合作的成果为了解决推荐系统当中的Filter Bubble的问题他们提出了PURS这个工作的优势包括在优酷App进行了AB测试并在一些关键指标上面有很大的提升其中人均观看时长提升了4.6%这个工作和Filter Bubble有关这个话题大家讨论很多但是这个方向的有效的研究并不多这个工作少有奏效的方法这个工作考虑到了Exploration个性化的问题有些人愿意探索不同类型的视频内容有些人就不愿意作者有考虑到这一点实现了个性化的ExplorationPURS的推荐思路在Embedding上面的实现Behavior-based Popularity Ranking on Amazon Video作者Lakshmi Ramachandran是Amazon Video的Applied Scientists介绍了他们的Popularity Ranking的一个工作。之前我以为Popularty Ranking用当前统计的Populartity即可完成排序没想到Popularity Ranking也可以利用机器学习解决Popularity Ranking当中的冷启动的问题一些新的内容无法通过普通的Popularity Ranking排到一个好的位置曝光给用户。作者利用内容本身的一些文本信息、之前的流行度、和用户的交互信息等数据预测当前的Popularity最终以预测的Popularity进行排序。一个有趣的现象是内容在平台上存在的时长这一特征这个特征会给新内容高的分数。下面的截图提到了Age Feature在平台上存在的时长的影响Age Feature在平台上存在的时长的影响X轴为AgeY轴为预测的PopularityQuery as Context for Item-to-Item Recommendation作者Moumita Bhattacharya是 ESTY.COM 一家电商网站的Senior Applied Scientist她介绍了ESTY打造相关商品推荐的技术选择。他们有6500万的商品这使得他们的技术选择和Amazon Video就会很不一样Amazon Video的视频数量可能也就是几万的量级。用户所看到的ESTY.COM的相关物品推荐ESTY.COM 相关物品推荐的两个阶段相关物品推荐分成两个阶段在第一个阶段的Candidate Set Generation部分他们利用Word2Vector的技术把用户搜索点击的内容作为训练数据给每个内容生成Embedding之后用 Faiss: A library for efficient similarity search返回与当前物品最相似物品列表作为Candidate Set。第二阶段用lightGBM对Candidate Set进行排序。他们提到的工作当中有一个亮点是他们利用了Context进行相关物品的个性化。下图是提到的可以将当前的节目作为Context比如说在万圣节时期对于一个给一个红色推荐相关的物品是不是可以把一些适合万圣节的物品同时相关的物品推荐出来而不是只单单推荐红色的帽子。在万圣节期间可以利用当前的节日作为Context推荐符合当前节日的物品Counterfactual Learning for Recommender System作者Zhenhua Dong是华为诺亚方舟实验室的Principal Researcher这次演讲汇总了华为在Counterfactual方向上的一系列成果。为了解决Counterfactual的问题作者提出Uniform Unbiased Data通过在从1%流量当中随机选择内容地向用户展现使得每一个内容都有机会收集到用户的反馈。利用Uniform Unbiased Data作者展开了一系统的研究和实验取得了一系列的成果其中之一是利用这1%的流量产生的Unbiased Data,创造了3%的指标提升。作者在介绍Counterfactual machine learningDebiasing Item-to-Item Recommendations with Small Annotated Datasets作者Tobias Schnabel是来自微软研究院的研究员提出利用小规模的标注数据来提升Item-to-Item的推荐和之前提到的一个物品的相关推荐一样。智能不够人工来凑。实验表明这种方式的确有效这说明我们的训练数据当中有很多干扰并不能完全表示用户对所有物品的喜好。工业界或许可以利用之前提到的Unbiased Data达到Small Annotated Dataset的效果。文章当中的方法比其它的方法都要好Large-scale Open Dataset for Bandit AlgorithmsFrom Workshop: REVEAL 2020: Bandit and Reinforcement Learning from User InteractionsYann Lecun说RL是整个机器学习蛋糕上面的樱桃作者Yuta Saito是一名本科生在这次Workshop展示了他在RLBandits方向的工作。强化学习的核心问题之一是如何在上线或者进行实验之前评估训练好的强化学习的模型也就是Offline Policy Evaluation。学术界提出了很多的方法很多都是用模拟器产生的数据但是少有一些实际数据的支持。这个工作提供了两组通过Uniform Rank和 Bernoliour Rank产生的服饰购物行为数据可以用来测评不同的Offline Policy Evaluation的效果也可以用来开发新的Policy用Offline Policy Evaluation来评测 。https://github.com/st-tech/zr-obp Open Bandits Pipeline 开源代码代码质量高有很多代码注释。在3个展示位置收集的用户购物行为作者提出的OPEN BANDIT PIPELINE推荐系统不像图像识别理论上推荐系统是典型的强化学习的应用场景但限于各种工程约束理论的不成熟强化学习一直没有很好地应用于推荐系统最近几年业界开始有成功的应用。这个领域值得继续关注。总结这次线上RecSys体验别具一格并没有像我之前担心的那样效果打很多折扣很多参会者也是有很认真地了准备演讲。希望下次RecSys能看到更多的有亮点的工作。后台回复关键词【入群】加入卖萌屋NLP/IR/Rec与求职讨论群有顶会审稿人、大厂研究员、知乎大V和妹纸等你来撩哦~
