版權(quán)歸作者所有，任何形式轉(zhuǎn)載請(qǐng)聯(lián)系作者。
作者：咚咚咚diduan（來(lái)自豆瓣）
來(lái)源：https://www.douban.com/note/662840537/


今年的ACM RecSys在美麗的科莫湖畔舉辦，本文將從會(huì)議總覽，推薦系統(tǒng)技術(shù)與發(fā)展趨勢(shì)，個(gè)人觀感三個(gè)方面介紹本次大會(huì)。


會(huì)議總覽


今年的RecSys接收26篇long paper（接收率：20.8%），20篇short paper（接收率：16.4%），研究?jī)?nèi)容覆蓋human factor, algorithms, ranking, diversity, privacy等主題。由于沒(méi)有像去年舉辦的RecSys那樣限制參會(huì)人數(shù)，本次會(huì)議的與會(huì)者歷史性地超過(guò)了600人，來(lái)自歐洲、中東和非洲等地區(qū)的參會(huì)人數(shù)明顯增加。RecSys得到了工業(yè)界一如既往地重視，Google，Facebook，Microsoft，Criteo，Spotify，Apple，Amazon，Hulu以及阿里、百度、華為都派出了為數(shù)不少的推薦團(tuán)隊(duì)參會(huì)，其中，華為也是本次RecSys的鉑金贊助商。在industry track中，工業(yè)界貢獻(xiàn)了3個(gè)session，12個(gè)talk，演講者來(lái)自微軟，Netflix，LinkedIn，EA，AirBnB，以及一些Startup公司。


趨勢(shì)與技術(shù)


1. 對(duì)話(huà)式推薦


本次RecSys讓我愈加相信：通過(guò)對(duì)話(huà)的方式（語(yǔ)音或文本輸入）為用戶(hù)提供內(nèi)容的搜索、推薦和發(fā)現(xiàn)服務(wù)，將會(huì)成為推薦的主流形式。目前，業(yè)界已經(jīng)有較為成型的產(chǎn)品，如Echo，Apple Siri，京東小咚等。本次會(huì)議相關(guān)研究包括2篇研究論文和1個(gè)keynote，下面分別對(duì)其進(jìn)行解讀：


Short paper：“Defining and supporting narrative-driven recommendation”是來(lái)自心理學(xué)家的研究，給出了敘述式推薦請(qǐng)求的定義，分析該類(lèi)型推薦的組成成分，并對(duì)用戶(hù)的敘述式需求進(jìn)行了分類(lèi)，最后通過(guò)對(duì)讀書(shū)論壇帖子數(shù)據(jù)的量化分析，計(jì)算敘述式推薦請(qǐng)求的普遍程度，以及各種需求類(lèi)型的占比。


Long paper：“Understanding how people use natural language to ask for recommendations”，這是一項(xiàng)典型的GroupLens style研究工作，作者通過(guò)user study實(shí)驗(yàn)收集用戶(hù)陳述電影推薦需求的文本數(shù)據(jù)，進(jìn)而分析用戶(hù)的一次請(qǐng)求和二次請(qǐng)求的類(lèi)別，比較文本輸入和語(yǔ)音輸入的差異，最后針對(duì)對(duì)話(huà)式推薦的系統(tǒng)設(shè)計(jì)給出如下建議：


（1）在實(shí)施推薦前，對(duì)用戶(hù)陳述的需求意圖進(jìn)行分類(lèi)，大致可以分為客觀、主觀、導(dǎo)航三類(lèi)；分情況給予推薦服務(wù)，如客觀意圖（如用戶(hù)敘述為“關(guān)于二戰(zhàn)的電影”，二戰(zhàn)電影為客觀詞匯）：根據(jù)陳述中的客觀詞匯過(guò)濾推薦結(jié)果；如主觀意圖（如用戶(hù)敘述為“關(guān)于二戰(zhàn)的電影，但不要過(guò)于血腥”，不要過(guò)于血腥味主觀詞匯）：根據(jù)主觀詞匯進(jìn)行排序；如導(dǎo)航（“如用戶(hù)敘述為我想看兵臨城下”，兵臨城下為用戶(hù)直接想要的結(jié)果）：像搜索一樣直接返回搜索詞的相關(guān)列表。


（2）對(duì)用戶(hù)二次陳述的推薦意圖分類(lèi)，大致分為兩類(lèi)refine和start over，分情況給予推薦服務(wù)，如refine：在第一輪推薦結(jié)果的基礎(chǔ)上根據(jù)二次陳述中的限定條件予以過(guò)濾，或給予用戶(hù)更多查詢(xún)選型(suggested tags)；start over：當(dāng)二次陳述與一次陳述無(wú)關(guān)式進(jìn)行重新查詢(xún)。


（3）鑒于本研究發(fā)現(xiàn)的用戶(hù)使用語(yǔ)音輸入與文本輸入的不同之處，系統(tǒng)設(shè)計(jì)者需要考慮這個(gè)問(wèn)題：使用文本輸入的數(shù)據(jù)集作為熱啟動(dòng)數(shù)據(jù)，構(gòu)建面向語(yǔ)音輸入形態(tài)的對(duì)話(huà)推薦是否合理？?


這篇文章是human factor領(lǐng)域的典范研究，更多地從人的角度研究推薦，值得我們學(xué)習(xí)。


Keynote：Memory networks for Recommendation，來(lái)自于Facebook AI research的科學(xué)家Jason Weston，他的合適觀點(diǎn)是推薦即對(duì)話(huà)，而Machine learning end-to-end system是終極解決方案，其中memory network是其中最為關(guān)鍵的技術(shù)。Jason介紹Facebook AI團(tuán)隊(duì)近年來(lái)在智能對(duì)話(huà)方面的的研究成果，最后著重介紹了Fackbook開(kāi)源的對(duì)話(huà)研究平臺(tái)：ParlAI，提供了對(duì)話(huà)研究和實(shí)現(xiàn)的框架，可以訓(xùn)練和評(píng)估dialog agent，開(kāi)源了對(duì)話(huà)相關(guān)的數(shù)據(jù)集和算法，還能與Amazon Mechanical Turk無(wú)縫對(duì)接。相信ParlAI可以大力推動(dòng)智能對(duì)話(huà)和對(duì)話(huà)式推薦研究的進(jìn)展，此處要給Facebook掌聲。


2. 深度學(xué)習(xí)


如果說(shuō)深度學(xué)習(xí)的研究在去年的RecSys會(huì)議只是牛刀小試（請(qǐng)參考我的另一篇文章2016 RecSys參會(huì)總結(jié)：www.douban.com/note/583716751），那么深度學(xué)習(xí)已經(jīng)成為了今年RecSys最受關(guān)注、論文收錄最多的研究主題，會(huì)議包含了關(guān)于深度學(xué)習(xí)的1個(gè)tutorial，1個(gè)workshop，1個(gè)keynote，收入近20篇深度學(xué)習(xí)相關(guān)論文。研究方向主要包括：item embedding，deep collaborative filtering， feature extraction，session-based recommendation等。


Telefonical research 的主任研究員Alexandros帶來(lái)了主題為deep learning for Recommendation systems的tutorial, 說(shuō)明了深度學(xué)習(xí)在推薦系統(tǒng)應(yīng)用的優(yōu)勢(shì)，主要包括自動(dòng)抽取復(fù)雜域的特征，如圖像、聲音、文本等；善于處理異質(zhì)數(shù)據(jù)；RNN能夠較好地對(duì)動(dòng)態(tài)或序列行為建模；可以用于用戶(hù)和商品的新型表達(dá)學(xué)習(xí)方式。這個(gè)Tutorial也是目前我見(jiàn)過(guò)的最全面的面向推薦系統(tǒng)的深度學(xué)習(xí)技術(shù)的總結(jié)，這是該tutorial slides的下載鏈接：


https://www.slideshare.net/kerveros99/deep-learning-for-recommender-systems-recsys2017-tutorial。


本屆RecSys值得關(guān)注的深度學(xué)習(xí)論文還包括：


Getting Deep Recommenders Fit: Bloom Embeddings for Sparse Binary Input/Output Networks?
Interpretable Convolutional Neural Networks with Dual Local and Global Attention for Review Rating Prediction
When Recurrent Neural Networks meet the Neighborhood for Session-Based Recommendation?
Recommendation of High Quality Representative Reviews in e-commerce
Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks?
Sequential User-based Recurrent Neural Network Recommendations
Deep Cross-Domain Fashion Recommendation
Boosting Recommender Systems with Deep Learning
3. 隱私


隱私保護(hù)是所有大數(shù)據(jù)應(yīng)用都要面對(duì)的問(wèn)題，推薦系統(tǒng)作為大數(shù)據(jù)應(yīng)用中最重要的方向之一，亟需解決如何在保護(hù)用戶(hù)隱私的前提下，為用戶(hù)提供精準(zhǔn)推薦？另一個(gè)重要背景是歐盟通過(guò)了General Data Protection Regulation（GDPR）法案，將于18年5月25日正式實(shí)施，該法案旨在保護(hù)歐盟公民的數(shù)據(jù)隱私，規(guī)范組織使用用戶(hù)數(shù)據(jù)的方式、方法。這一法案需要引起志在出海的中國(guó)科技巨頭們的關(guān)注。今年的RecSys涉及隱私相關(guān)研究的內(nèi)容包括1個(gè)keynote，1個(gè)tutorial,以及一篇long paper：secure multi-party protocols for item-based collaborative filtering。


一些經(jīng)典的模型和方法得到了更加深入的研究，在FM：an elementary view on factorization machine一文中，作者指出了經(jīng)典FM優(yōu)化的一些問(wèn)題和bad case，并嘗試用非對(duì)稱(chēng)優(yōu)化的方法解決。在learning to rank相關(guān)應(yīng)用中，RankSVM和LambdaMART模型已經(jīng)成為了標(biāo)準(zhǔn)的基線方法。一些研究聚焦于推薦系統(tǒng)在特定domain下應(yīng)用，如時(shí)尚產(chǎn)品推薦，游戲推薦，健康建議推薦等。


4. 來(lái)自資深專(zhuān)家的聲音


在plenary panel discussion環(huán)節(jié)，會(huì)議邀請(qǐng)了RecSys領(lǐng)域最資深的4位專(zhuān)家討論推薦系統(tǒng)的現(xiàn)狀和未來(lái)，他們分別是：


明尼蘇達(dá)大學(xué)GroupLens實(shí)驗(yàn)室等Joe Konstan教授（ACM RecSys締造者之一，也是第一屆RecSys的主席）
Xavier Amatriain（Netflix的推薦系統(tǒng)的前任負(fù)責(zé)人，Quora的前任技術(shù)VP）
匹茲堡大學(xué)的Peter Brusilovsky教授（用戶(hù)建模，交互式推薦的資深專(zhuān)家）
明尼蘇達(dá)大學(xué)等George Karypis教授（數(shù)據(jù)挖掘，推薦系統(tǒng)模型，高性能計(jì)算等領(lǐng)域頂尖的研究者，也是WWW會(huì)議歷史引用數(shù)第二高論文item-based CF recommendation algorithms的作者之一）。
下面簡(jiǎn)述幾位專(zhuān)家對(duì)RecSys 會(huì)議的期望：系統(tǒng)設(shè)計(jì)者需要考慮。


Xavier：我們應(yīng)該更多地鼓勵(lì)公開(kāi)數(shù)據(jù)集；我們需要更多地支持開(kāi)源初始化的工作；增加工業(yè)界在RecSys會(huì)議和community的影響力；RecSys是否應(yīng)該從ACM／SIGCHI獨(dú)立出來(lái)，形成自己獨(dú)立的社區(qū)？
George：不希望ACM RecSys成為另一個(gè)KDD，ICML或者BigData會(huì)議，研究要有推薦系統(tǒng)關(guān)聯(lián)的insight。希望RecSys能過(guò)一如既往地強(qiáng)調(diào)用戶(hù)建模和領(lǐng)域建模；希望推薦系統(tǒng)研究能夠整合來(lái)在心理學(xué)，經(jīng)濟(jì)學(xué)，教育和市場(chǎng)營(yíng)銷(xiāo)方面的理論研究；聚焦解決那些難的問(wèn)題，如評(píng)價(jià)，公平等；工業(yè)界積極地參與，以及創(chuàng)新的應(yīng)用領(lǐng)域。
Joe提出一個(gè)有趣的建議，他希望RecSys會(huì)議未來(lái)的審稿過(guò)程可以這樣：投稿人在做研究前，先將研究計(jì)劃書(shū)提交給評(píng)委，由評(píng)委決策該研究是否適合RecSys會(huì)議，并給予指導(dǎo)意見(jiàn)，投稿人再根據(jù)意見(jiàn)重新設(shè)計(jì)研究主題，制定計(jì)劃，進(jìn)行研究。這樣可以讓投稿的論文與RecSys的主題更加契合，也可以節(jié)省審稿者和投稿人的時(shí)間。
個(gè)人觀感


不知不覺(jué)，ACM RecSys已經(jīng)舉辦了11屆，聽(tīng)Joe Konstan教授講起，首屆RecSys 2007還是在密西西比河右岸明尼蘇達(dá)大學(xué)的圖書(shū)館舉辦，Joe是那屆會(huì)議的主席，John Riedl教授是程序委員會(huì)主席，那時(shí)參會(huì)的人數(shù)很少，贊助商也只有4家。十年之間，隨著互聯(lián)網(wǎng)、電子商務(wù)技術(shù)的蓬勃發(fā)展，個(gè)性化技術(shù)越來(lái)越普及，推薦系統(tǒng)成為了科技公司的核心競(jìng)爭(zhēng)力，而如今的ACM RecSys已經(jīng)成為了最受歡迎的學(xué)術(shù)會(huì)議之一，而推薦系統(tǒng)研究的先驅(qū)，GroupLens實(shí)驗(yàn)室的創(chuàng)始人John Riedl教授也離開(kāi)了我們……


回想自己在2007年讀研一時(shí)，通過(guò)電子報(bào)紙項(xiàng)目認(rèn)識(shí)到個(gè)性化推薦的重要作用，通過(guò)閱讀了相關(guān)論文和谷哥的博客Beyond Search，了解推薦系統(tǒng)的研究進(jìn)展和工業(yè)界應(yīng)用現(xiàn)狀；用MovieLens數(shù)據(jù)集做最經(jīng)典的user based KNN實(shí)驗(yàn)室；從豆瓣上爬取電影、圖書(shū)、唱片的元數(shù)據(jù)以及用戶(hù)對(duì)它們的評(píng)分?jǐn)?shù)據(jù)，實(shí)現(xiàn)各種經(jīng)典的推薦算法，并用在跨域推薦領(lǐng)域；因?yàn)樽硇挠谕扑]系統(tǒng)，所以我會(huì)從天津到北京，參加RecSys China組織的線下活動(dòng)，第一次是在奇遇咖啡館，項(xiàng)亮介紹Netflix prize百萬(wàn)美元競(jìng)賽使用的預(yù)測(cè)技術(shù)，第二次是在豆瓣總部，聽(tīng)王守崑介紹豆瓣的推薦系統(tǒng)；后來(lái)有機(jī)會(huì)去GroupLens實(shí)驗(yàn)室交流學(xué)習(xí)，在Riedl，Loren，Shilad教授的指導(dǎo)下從事human factor方面的研究，并用第一手的MovieLens和Wikipedia數(shù)據(jù)集做實(shí)驗(yàn)，提煉有趣研究問(wèn)題，撰寫(xiě)有影響力的論文。


在GroupLens的經(jīng)歷，教會(huì)了我很多：什么才是有價(jià)值的研究？做什么樣的研究？如何做研究？如何與別人合作共贏？那也是我最快樂(lè)的一段時(shí)光，因?yàn)槲遗c最優(yōu)秀的人一起共事，堅(jiān)信自己做著改變世界的事情。回國(guó)完成博士學(xué)業(yè)后，加入華為諾亞方舟實(shí)驗(yàn)室，做面向工業(yè)界的推薦系統(tǒng)，直接為用戶(hù)提供個(gè)性化推薦服務(wù)，很幸運(yùn)，工作期間先后得到了楊強(qiáng)老師，戴文淵，李航老師，林智仁老師，何秀強(qiáng)的幫助和指導(dǎo)，并將我們構(gòu)建的推薦系統(tǒng)在華為最主要的產(chǎn)品線上應(yīng)用落地，并在實(shí)際產(chǎn)品中不斷實(shí)踐新的模型算法、系統(tǒng)平臺(tái)和推薦策略，在為公司創(chuàng)造價(jià)值的同時(shí)用活的數(shù)據(jù)和真實(shí)推薦場(chǎng)景驗(yàn)證新的技術(shù)，讓預(yù)研與應(yīng)用形成良性互補(bǔ)。


想來(lái)自己作為研究者，是幸運(yùn)的，可以在一個(gè)領(lǐng)域?qū)Ｑ惺?#xff0c;有幸能與這個(gè)領(lǐng)域最優(yōu)秀的專(zhuān)家、學(xué)者共事，在學(xué)術(shù)方面，做有趣的、前瞻性的研究，在工業(yè)界，使用推薦系統(tǒng)技術(shù)實(shí)現(xiàn)了大數(shù)據(jù)價(jià)值的變現(xiàn)，在提升用戶(hù)體驗(yàn)的同時(shí)，為公司賺取真金白銀。


因?yàn)橥扑]系統(tǒng)，讓我有機(jī)會(huì)結(jié)識(shí)了很多志同道合的師長(zhǎng)、朋友，今年的ACM RecSys，很高興見(jiàn)到了很多故人、舊友，同時(shí)也結(jié)交了不少新的朋友，收獲了很多新的想法和深刻的見(jiàn)解，感覺(jué)人生又完滿(mǎn)了些。最后，祝福RecSys越辦越好，我也會(huì)為RecSys的發(fā)展多做貢獻(xiàn)，RecSys 2018，溫哥華見(jiàn)！

總結(jié)

以上是生活随笔為你收集整理的RecSys 2017总结的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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