「AI Drive」是由 PaperWeekly 和 biendata 共同發(fā)起的學術直播間，旨在幫助更多的青年學者宣傳其最新科研成果。我們一直認為，單向地輸出知識并不是一個最好的方式，而有效地反饋和交流可能會讓知識的傳播更加有意義，從而產(chǎn)生更大的價值。

本期 AI Drive，我們邀請到羅格斯大學（Rutgers）博士生劉殊暢，為大家在線解讀其發(fā)表于 WWW 2021 的最新工作：Variational Control and Evaluation for Generative Slate Recommendation。對本期主題感興趣的小伙伴，6 月 8 日（周二）晚 7 點，我們準時相約 PaperWeekly B 站直播間。

直播信息

隨板塊推薦（Slate Recommendation）在推薦時會將一個包含多個 item 的板塊打包成整體一起推薦，有別于傳統(tǒng)的基于排名的推薦，它更加關注 item 在版塊中的位置便好（positional bias）和 item 之間的相互影響。

為了從巨大的組合空間中學到有意義的版塊構(gòu)造和模式，生成式（Generative）的解決方案被用來直接從觀測數(shù)據(jù)中提取這些信息并利用這些信息產(chǎn)生版塊推薦。然而在實驗觀測結(jié)果中，推薦結(jié)果大部分情況下會出現(xiàn)兩種極端情況之一：a）生成模型對觀測數(shù)據(jù)擬合的很好，但是生成推薦時不易采樣到相同分布從而無法滿足準確性；b）生成模型能夠很好的保證準確性，但數(shù)據(jù)中的variance沒有學到導致推薦的 slate 容易重復。

本文研究的主要問題是：是否可以通過在學習和推薦時控制模型的 variance 來提高生成式板塊推薦的有效性。?首先我們在傳統(tǒng)的準確性指標之外，專門為生成式板塊推薦方法增加了 slate variance 指標。通過對比不同的指標，我們發(fā)現(xiàn)生成模型的兩個極端情況中間存在一個不易發(fā)現(xiàn)的但是相對有效的中間區(qū)域，這個區(qū)域的模型既能滿足一定的準確率，同時能學到一定數(shù)據(jù)中的 variance。

然后我們對比了兩種擾動（perturbation）方法是否能在保證準確的極端情況下提升 variance。兩種方法中，生成前（pre-generation）擾動方法相比于生成后（post-generation）擾動方法在實驗結(jié)果中更能夠有效學到數(shù)據(jù)中的 variance 并同時保證推薦準確率。

論文標題：

Variation Control and Evaluation for Generative SlateRecommendations

論文鏈接：

https://arxiv.org/abs/2102.13302

本次分享的具體內(nèi)容有：?

• Generative Recommendation

• Slate Recommendation

• Conditional VAE

嘉賓介紹

?劉殊暢?/ 羅格斯大學（Rutgers）博士生?

劉殊暢，羅格斯大學（Rutgers）博士生在讀，師從張永峰。研究方向包括生成式推薦方法和聯(lián)邦遷移學習。

直播地址?& 交流群

本次直播將在 PaperWeekly B 站直播間進行，掃描下方海報二維碼或點擊閱讀原文即可免費觀看。線上分享結(jié)束后，嘉賓還將在直播交流群內(nèi)實時 QA，在 PaperWeekly 微信公眾號后臺回復「AI Drive」，即可獲取入群通道。

B 站直播間：

https://live.bilibili.com/14884511

合作伙伴

????

現(xiàn)在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的直播 | WWW 2021论文解读：生成式板块推荐的变分控制和评估的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。