PhD Debate | 自监督学习在推荐系统中的应用

2023-10-16 22:10

本文主要是介绍PhD Debate | 自监督学习在推荐系统中的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

点击蓝字

364bdee946dedb04a6c421fd05714535.png

关注我们

AI TIME欢迎每一位AI爱好者的加入!

6月11日19:00-20:30,本期PhD Debate直播间邀请了来自香港大学计算机学院助理教授黄超、新加坡国立大学博士后张震、清华大学博士生武楚涵和中国科学技术大学博士生吴剑灿,与大家一起聊一聊自监督学习在推荐系统中的应用。

近年来,自监督学习在各个领域得到了广泛的应用。通过引入额外的监督信号,来解决数据稀疏性的问题。

1、针对于不同的推荐场景,如何更好地设计出自监督的辅助任务,从而增强用户表征学习? 

2、在不同的推荐场景中,自监督对比学习任务构建有什么不同的有效方式?

3、在不同的场景中自监督学习面临什么挑战?

4、多模态的数据引入到推荐系统中,如何更好地实现模态数据的融合?

8d5b48425070aca7d9357b3fb830aa04.png

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号预约直播

28ea97a72a2e6e91c3f37b0c1d091366.gif

★ 嘉宾简介 ★

a858834166d74ffafd0024582a53913f.png

黄超:

香港大学计算机学院助理教授,博士生导师。目前主要的研究方向为人工智能,数据挖掘,时空数据分析,图神经网络,推荐系统。在KDD, WWW, SIGIR, ICDE, AAAI, IJCAI, CIKM, WSDM等数据挖掘和人工智能领域顶级会议发表论文40余篇。以第一作者及通讯作者发表的论文分别获得WWW’2019,WSDM’2022最佳论文提名。与此同时,连续担任了KDD, SIGIR, WWW, NIPS, ICLR, AAAI, IJCAI, WSDM, CIKM等会议的评审委员会委员,以及TKDE, TOIS, TIST, TOC, TKDD, TNNLS等期刊的长期审稿人。并且被WSDM’2020和WSDM’2022会议授予优秀评审委员奖。所研发的用户建模算法和系统被部署运用于海量的用户数据平台,相关研究成果被多家著名学术媒体报道。

051e83cf2175bd25584ac41330388d08.png

张震:

新加坡国立大学博士后。目前主要的研究方向是数据挖掘、图神经网络等。曾在KDD、WWW以及TKDE等数据挖掘顶级会议或者期刊上发表学术论文数篇,担任过AAAI,MM,ECCV,CIKM等多个知名学术会议的评审委员会委员,以及TKDE,Neural Networks,ACM Computing Surveys等期刊的长期审稿人。

fed123a6b371579a99505e5e049de2b4.png

武楚涵:

清华大学电子工程系博士生。主要研究方向为推荐系统,用户建模与自然语言处理。曾在TOIS和TIST等学术期刊以及KDD和ACL等学术会议发表论文若干,谷歌学术引用1800余次,h指数24,曾获得微软学者等荣誉。曾经或正在担任多个知名学术会议的(高级)程序委员会委员、研讨会程序主席、多个Transaction期刊审稿人以及Frontiers in Public Health客座编辑等,多项研究工作落地于实际商业推荐与广告系统之中。

36d8a73722d734771efcbf2f65080d16.png

吴剑灿:

中国科学技术大学电子工程与信息科学系博士生。目前的主要研究方向为数据挖掘、图神经网络、推荐系统、因果推理等。在KDD、WWW、SIGIR等数据挖掘和人工智能领域顶级会议和期刊上发表数篇学术论文,并担任多个国际会议、期刊的程序委员会委员或审稿人。

★ 主持人★

51b85ceec0a6c108a5baabea2efe97ac.png

张亚娴:  AI Timer

直播结束后大家可以在群内进行提问,请添加“AI TIME小助手(微信号:AITIME_HY)”,回复“PhD-5”,将拉您进“AI TIME PhD 交流群-5”!

12e3a802e3d56b7876e8878eb7e6a8b5.gif

AI TIME微信小助手

5f219dd1b66f305cfa218fda7a2fa6a9.png

主       办:AI TIME 

合作媒体:AI 数据派、学术头条

合作伙伴:智谱·AI、中国工程院知领直播、学堂在线、蔻享学术、AMiner、 Ever链动、科研云

往期精彩文章推荐

3fc6111407ad0e977c3caa0064bc00b5.png

记得关注我们呀!每天都有新知识!

 关于AI TIME 

AI TIME源起于2019年,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索,加强思想碰撞,链接全球AI学者、行业专家和爱好者,希望以辩论的形式,探讨人工智能和人类未来之间的矛盾,探索人工智能领域的未来。

迄今为止,AI TIME已经邀请了600多位海内外讲者,举办了逾300场活动,超210万人次观看。

e3da739fae04379f9ddc616ad761e115.png

我知道你

在看

~

f17a5f3450ffc17ba8c1da406caf292b.gif

点击 阅读原文 预约直播!

这篇关于PhD Debate | 自监督学习在推荐系统中的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/221102

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个