微信里点“发现”，扫一下
二维码便可将本文分享至朋友圈
演讲摘要：随着大数据时代的到来，信息过载问题日益严重。推荐系统通过分析用户的历史行为，挖掘用户的需求偏好并提供个性化的推荐结果，是缓解信息过载问题的重要手段。推荐系统的技术经历了从经典的协同过滤算法到隐因子模型再到深度隐因子模型的一系列变革。近年来，深度隐因子模型凭借其优异的推荐性能，已在各类真实的推荐系统中得到应用，如国外的Youtube、Facebook、Amazon和国内的淘宝、抖音、微博、知乎等。其核心思想是先将用户、物品以及其他相关特征映射到一个共享低维空间中，获取输入特征的嵌入向量，再利用神经网络刻画嵌入向量的复杂特征交互过程，最后计算用户对物品的偏好。本报告将阐述深度隐因子模型的特点和局限性，重点介绍其在隐式反馈下的性能优化方法以及自动学习高阶交叉特征的方法，最后展望该技术在推荐领域的未来发展方向。
讲者简介：上海交通大学计算机系副教授。CCF数据库专业委员会委员。长期从事数据库、数据挖掘领域的研究。主持及参与国家重点研发计划项目、国家自然科学基金青年基金项目等，并在SIGMOD、VLDB、ICDE、KDD、TKDE等国内外学术期刊和会议上发表学术论文60余篇。曾获上海市技术发明一等奖（排名第8）。
第38届CCF中国数据库学术会议（NDBC 2021）
ACM 论坛
京公网安备11010802032778号