版權歸作者所有，任何形式轉載請聯系作者。
作者：咚咚咚diduan（來自豆瓣）
來源：https://www.douban.com/note/662840537/


今年的ACM RecSys在美麗的科莫湖畔舉辦，本文將從會議總覽，推薦系統技術與發展趨勢，個人觀感三個方面介紹本次大會。


會議總覽


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


趨勢與技術


1. 對話式推薦


本次RecSys讓我愈加相信：通過對話的方式（語音或文本輸入）為用戶提供內容的搜索、推薦和發現服務，將會成為推薦的主流形式。目前，業界已經有較為成型的產品，如Echo，Apple Siri，京東小咚等。本次會議相關研究包括2篇研究論文和1個keynote，下面分別對其進行解讀：


Short paper：“Defining and supporting narrative-driven recommendation”是來自心理學家的研究，給出了敘述式推薦請求的定義，分析該類型推薦的組成成分，并對用戶的敘述式需求進行了分類，最后通過對讀書論壇帖子數據的量化分析，計算敘述式推薦請求的普遍程度，以及各種需求類型的占比。


Long paper：“Understanding how people use natural language to ask for recommendations”，這是一項典型的GroupLens style研究工作，作者通過user study實驗收集用戶陳述電影推薦需求的文本數據，進而分析用戶的一次請求和二次請求的類別，比較文本輸入和語音輸入的差異，最后針對對話式推薦的系統設計給出如下建議：


（1）在實施推薦前，對用戶陳述的需求意圖進行分類，大致可以分為客觀、主觀、導航三類；分情況給予推薦服務，如客觀意圖（如用戶敘述為“關于二戰的電影”，二戰電影為客觀詞匯）：根據陳述中的客觀詞匯過濾推薦結果；如主觀意圖（如用戶敘述為“關于二戰的電影，但不要過于血腥”，不要過于血腥味主觀詞匯）：根據主觀詞匯進行排序；如導航（“如用戶敘述為我想看兵臨城下”，兵臨城下為用戶直接想要的結果）：像搜索一樣直接返回搜索詞的相關列表。


（2）對用戶二次陳述的推薦意圖分類，大致分為兩類refine和start over，分情況給予推薦服務，如refine：在第一輪推薦結果的基礎上根據二次陳述中的限定條件予以過濾，或給予用戶更多查詢選型(suggested tags)；start over：當二次陳述與一次陳述無關式進行重新查詢。


（3）鑒于本研究發現的用戶使用語音輸入與文本輸入的不同之處，系統設計者需要考慮這個問題：使用文本輸入的數據集作為熱啟動數據，構建面向語音輸入形態的對話推薦是否合理？?


這篇文章是human factor領域的典范研究，更多地從人的角度研究推薦，值得我們學習。


Keynote：Memory networks for Recommendation，來自于Facebook AI research的科學家Jason Weston，他的合適觀點是推薦即對話，而Machine learning end-to-end system是終極解決方案，其中memory network是其中最為關鍵的技術。Jason介紹Facebook AI團隊近年來在智能對話方面的的研究成果，最后著重介紹了Fackbook開源的對話研究平臺：ParlAI，提供了對話研究和實現的框架，可以訓練和評估dialog agent，開源了對話相關的數據集和算法，還能與Amazon Mechanical Turk無縫對接。相信ParlAI可以大力推動智能對話和對話式推薦研究的進展，此處要給Facebook掌聲。


2. 深度學習


如果說深度學習的研究在去年的RecSys會議只是牛刀小試（請參考我的另一篇文章2016 RecSys參會總結：www.douban.com/note/583716751），那么深度學習已經成為了今年RecSys最受關注、論文收錄最多的研究主題，會議包含了關于深度學習的1個tutorial，1個workshop，1個keynote，收入近20篇深度學習相關論文。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帶來了主題為deep learning for Recommendation systems的tutorial, 說明了深度學習在推薦系統應用的優勢，主要包括自動抽取復雜域的特征，如圖像、聲音、文本等；善于處理異質數據；RNN能夠較好地對動態或序列行為建模；可以用于用戶和商品的新型表達學習方式。這個Tutorial也是目前我見過的最全面的面向推薦系統的深度學習技術的總結，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值得關注的深度學習論文還包括：


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


隱私保護是所有大數據應用都要面對的問題，推薦系統作為大數據應用中最重要的方向之一，亟需解決如何在保護用戶隱私的前提下，為用戶提供精準推薦？另一個重要背景是歐盟通過了General Data Protection Regulation（GDPR）法案，將于18年5月25日正式實施，該法案旨在保護歐盟公民的數據隱私，規范組織使用用戶數據的方式、方法。這一法案需要引起志在出海的中國科技巨頭們的關注。今年的RecSys涉及隱私相關研究的內容包括1個keynote，1個tutorial,以及一篇long paper：secure multi-party protocols for item-based collaborative filtering。


一些經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，作者指出了經典FM優化的一些問題和bad case，并嘗試用非對稱優化的方法解決。在learning to rank相關應用中，RankSVM和LambdaMART模型已經成為了標準的基線方法。一些研究聚焦于推薦系統在特定domain下應用，如時尚產品推薦，游戲推薦，健康建議推薦等。


4. 來自資深專家的聲音


在plenary panel discussion環節，會議邀請了RecSys領域最資深的4位專家討論推薦系統的現狀和未來，他們分別是：


明尼蘇達大學GroupLens實驗室等Joe Konstan教授（ACM RecSys締造者之一，也是第一屆RecSys的主席）
Xavier Amatriain（Netflix的推薦系統的前任負責人，Quora的前任技術VP）
匹茲堡大學的Peter Brusilovsky教授（用戶建模，交互式推薦的資深專家）
明尼蘇達大學等George Karypis教授（數據挖掘，推薦系統模型，高性能計算等領域頂尖的研究者，也是WWW會議歷史引用數第二高論文item-based CF recommendation algorithms的作者之一）。
下面簡述幾位專家對RecSys 會議的期望：系統設計者需要考慮。


Xavier：我們應該更多地鼓勵公開數據集；我們需要更多地支持開源初始化的工作；增加工業界在RecSys會議和community的影響力；RecSys是否應該從ACM／SIGCHI獨立出來，形成自己獨立的社區？
George：不希望ACM RecSys成為另一個KDD，ICML或者BigData會議，研究要有推薦系統關聯的insight。希望RecSys能過一如既往地強調用戶建模和領域建模；希望推薦系統研究能夠整合來在心理學，經濟學，教育和市場營銷方面的理論研究；聚焦解決那些難的問題，如評價，公平等；工業界積極地參與，以及創新的應用領域。
Joe提出一個有趣的建議，他希望RecSys會議未來的審稿過程可以這樣：投稿人在做研究前，先將研究計劃書提交給評委，由評委決策該研究是否適合RecSys會議，并給予指導意見，投稿人再根據意見重新設計研究主題，制定計劃，進行研究。這樣可以讓投稿的論文與RecSys的主題更加契合，也可以節省審稿者和投稿人的時間。
個人觀感


不知不覺，ACM RecSys已經舉辦了11屆，聽Joe Konstan教授講起，首屆RecSys 2007還是在密西西比河右岸明尼蘇達大學的圖書館舉辦，Joe是那屆會議的主席，John Riedl教授是程序委員會主席，那時參會的人數很少，贊助商也只有4家。十年之間，隨著互聯網、電子商務技術的蓬勃發展，個性化技術越來越普及，推薦系統成為了科技公司的核心競爭力，而如今的ACM RecSys已經成為了最受歡迎的學術會議之一，而推薦系統研究的先驅，GroupLens實驗室的創始人John Riedl教授也離開了我們……


回想自己在2007年讀研一時，通過電子報紙項目認識到個性化推薦的重要作用，通過閱讀了相關論文和谷哥的博客Beyond Search，了解推薦系統的研究進展和工業界應用現狀；用MovieLens數據集做最經典的user based KNN實驗室；從豆瓣上爬取電影、圖書、唱片的元數據以及用戶對它們的評分數據，實現各種經典的推薦算法，并用在跨域推薦領域；因為醉心于推薦系統，所以我會從天津到北京，參加RecSys China組織的線下活動，第一次是在奇遇咖啡館，項亮介紹Netflix prize百萬美元競賽使用的預測技術，第二次是在豆瓣總部，聽王守崑介紹豆瓣的推薦系統；后來有機會去GroupLens實驗室交流學習，在Riedl，Loren，Shilad教授的指導下從事human factor方面的研究，并用第一手的MovieLens和Wikipedia數據集做實驗，提煉有趣研究問題，撰寫有影響力的論文。


在GroupLens的經歷，教會了我很多：什么才是有價值的研究？做什么樣的研究？如何做研究？如何與別人合作共贏？那也是我最快樂的一段時光，因為我與最優秀的人一起共事，堅信自己做著改變世界的事情。回國完成博士學業后，加入華為諾亞方舟實驗室，做面向工業界的推薦系統，直接為用戶提供個性化推薦服務，很幸運，工作期間先后得到了楊強老師，戴文淵，李航老師，林智仁老師，何秀強的幫助和指導，并將我們構建的推薦系統在華為最主要的產品線上應用落地，并在實際產品中不斷實踐新的模型算法、系統平臺和推薦策略，在為公司創造價值的同時用活的數據和真實推薦場景驗證新的技術，讓預研與應用形成良性互補。


想來自己作為研究者，是幸運的，可以在一個領域專研十年，有幸能與這個領域最優秀的專家、學者共事，在學術方面，做有趣的、前瞻性的研究，在工業界，使用推薦系統技術實現了大數據價值的變現，在提升用戶體驗的同時，為公司賺取真金白銀。


因為推薦系統，讓我有機會結識了很多志同道合的師長、朋友，今年的ACM RecSys，很高興見到了很多故人、舊友，同時也結交了不少新的朋友，收獲了很多新的想法和深刻的見解，感覺人生又完滿了些。最后，祝福RecSys越辦越好，我也會為RecSys的發展多做貢獻，RecSys 2018，溫哥華見！

總結

以上是生活随笔為你收集整理的RecSys 2017总结的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。