版權歸作者所有，任何形式轉載請聯(lián)系作者。
作者：咚咚咚diduan（來自豆瓣）
來源：https://www.douban.com/note/583716751/


會議信息
1. RecSys 2016是推薦系統(tǒng)第十屆會議（Happy 10th. birthday to RecSys），也是RecSys有史以來規(guī)模最宏大，參與人數(shù)最多的會議，有超過300名學術界和工業(yè)界的同仁參會。
2. 本次會議共有4個tutorial，3個keynots，9個workshop，30個demo和posters，以及RecSys Challenge競賽關節(jié)，共有20多個組織贊助。錄取論文包括51篇學術論文，15篇工業(yè)界論文，9篇past present and future論文；其中l(wèi)ong paper錄取率為18%，short paper錄取率為20%。研究方向覆蓋了人因（human factors），上下文感知，冷啟動，多樣性與新穎性，推薦算法（如矩陣分解，深度學習等）等方面。


趨勢
1. 深度學習在推薦系統(tǒng)中應用
相比以往的RecSys會議，深度學習方面的論文比重增加，今年有專門的深度學習workshop和論文session；工業(yè)界的Google YouTube，Google Play，Spotify都聲稱用到深度學習技術，應用領域包括構建特征，生成推薦候選集合，以及預測推薦分值。
我與幾位機器學習的研究者（Romaric Gaudel教授，曹雪智博士等）交流，他們也認為深度學習是今年的一個趨勢，但沒有預期中那么多的研究成果。Claudia Perlich（第一個Keynote演講者）在keynote上回答關于深度學習在推薦系統(tǒng)應用前景的問題時，認為深度學習適合解決結構化的問題，如NLP，聲音，圖像等，能否成為推薦系統(tǒng)的主流模型還有待觀察。
2. 完整的系統(tǒng)級的推薦系統(tǒng)研究
Joseph Konstan教授（第一屆RecSys的主席）認為，今年有更多研究是end to end完整的、系統(tǒng)級的研究，不再只偏重于具體一個方面（如算法），這個趨勢與Recommendation System會議的主旨更加相符。
3. 對Metrics有了更多的思考
? ? 在今年的會議中，大家明顯對于推薦的評價指標有了更為深入的思考和理解，不再只簡單關注短期準確率的目標，對長期目標有了較多思考，如推薦系統(tǒng)對于用戶的長期維系：
(1) Joseph Konstan：“CTR只是點擊行為，而為什么點擊？產生點擊的決策機制是什么？后面的2個問題也是推薦系統(tǒng)需要研究的”
(2) Claudia Perlich：web的點擊中有40%來自Bot，移動設備的點擊中有36%屬于用戶unintentionally的點擊；如果不加甄別地用這樣的數(shù)據來學習，學到的是大量摻雜了非用戶真實需求的模型。
(3) Xavier Amatriain: 系統(tǒng)要以“用戶的長期維系”為目標，需要綜合考慮用戶的顯示反饋行為和多元的隱式反饋行為。
(4) Michael Ekstrand: 預估CTR，往往不能理解用戶真實的意圖（desire）；下載行為也不能代表用戶是滿意的，當我們深入了解用戶意圖和行為后，推薦系統(tǒng)能發(fā)揮更大巨大作用。


工業(yè)界的廣泛參與
今年RecSys來自工業(yè)界的sponsor有18家公司。參會者來自工業(yè)界的超過一半，其中阿里派出了超過10人的團隊參會；連很少在學術會議上出現(xiàn)的Apple也有人參會；其它參會公司包括Mendeley, Meetup, Bloomberg, Foursquare, Spotify, Net?flix, Pandora, Stitch Fix, Expedia, Nara Logics, GraphSQL, Retail Rocket, Quora, Google, Pinterest。各大公司均積極招聘，了解推薦系統(tǒng)的最新動向，與學術界交流緊密。
主會有3個session介紹工業(yè)界推薦系統(tǒng)的工作，其中包括1個session專門分享工業(yè)界在推薦系統(tǒng)方面的經驗（具體經驗后文有介紹）。大約1/3論文的作者有工業(yè)界背景；不少公司的推薦系統(tǒng)領導者都有很強的學術背景，如Quora的Xavier和Lei Yang，Google Now的 Shashi Thakur，Dstillery的Claudia Perlich等。
工業(yè)界的經驗分享：
1. Keynote：
Claudia Perlich ? 是Distillery（廣告解決方案公司）的首席科學家，其所在的Distillery公司每天處理500億的數(shù)據樣本，其采用的技術方案包括LR，SGD，Hashing，Streaming，L1 & L2 regularization。在keynote中，她闡述了2個觀點：
觀點1：“Predictability bias: models tend to go where the signal is”
模型為何預測的準確，因為有的signal令模型更準確，但有些signal是noise的，并非用戶的自身的喜好，比如：
（1）Bot traffic占了互聯(lián)網36%的流量，很多轉化率時間是bot做到的，結論是bot的行為容易預測，而用戶的行為仍然難以預測；
（2）移動設備上40%的點擊行為時accidental的無用點擊，結論是accidental容易預測，認得行為不容易預測。
所以要深刻理解用戶的行為。
觀點2：“bad metrics with good machine learning is almost always a disaster”
可以思考這樣的問題：CTR是最好的優(yōu)化目標嗎？百度的搜索結果為什么比不過Google，前者只用CTR標注，后者始終保持大量的人工標注（一個在Google實習的人透露的），精巧的人工標注可以讓搜索結果質量更高。
2. Lessons learned from build real-life Recsys：Xavier介紹了其在Quora和Netflix構建推薦系統(tǒng)時的經驗：
(1) Implicit feedback is more important:需要注意的是implicit feedback有時并非與用戶長期維系目標相符，所以有時需要將顯示反饋與隱式反饋結合起來
(2) 認真考慮訓練數(shù)據：定義合理的正負例
(3) 推薦的解釋有時比預測準確率重要
(4) MF是最好的single approach，MF的變形包括FM，SVD++，ALS等;Quora開源了他們的MF模型QMF
(5) Ensemble is the master algorithm
(6) Feature Engineering: 需要理解領域信息，了解推薦目的和用戶需求，將以上信息轉化為特征；好的特征具有如下特點：reusable, transformable, interpretable, reliable; 深度學習也是構建特征的一種方法
(7) 合理的評價策略
i. Offline vs. online: a critical issue is how offline metrics correlate with A/B test results
ii. Long-term metric (member retention) vs. short-term metric?
(8) Model debuggability: to determine particular model to use; features to rely on; implementation of tools.
3. Bloomberg的新聞推薦考慮用戶興趣遷移的問題，并通過對推薦結果reshuffling的機制防止用戶興趣過于集中；
4. Foursquare構建個人助理MarsBot，進行hotel，restaurant等內容的推薦，Marsbot以短信通知、push、personality and onboarding為主要特征，實施存文字的交互對話引導，當用戶感興趣后，在后續(xù)會話文字中加入產品鏈接，避免直接推薦鏈接引起用戶的不滿；
5. Spotify的音樂個性化推薦采用推薦策略包括：專家標注，元數(shù)據，音樂聲學信號，CF，以及混合策略，模型使用了latent factor model，深度學習模型；排序部分會考慮：相似度，相關度，多樣性，流行度，新鮮度，使用了MAB的方法。
6. Google Play的經驗分享
(1) Always Run live experiments
(2) 盡可能簡單
(3) 選擇合理優(yōu)化目標
7. Pinterests的經驗分享
(1) 候選集生成策略：圖片候選集生成策略較為簡單，主要使用圖片相似性，相似性計算方位共現(xiàn)次數(shù)
(2) 應用linearRankSVM模型和GBDT涌現(xiàn)，特征包括圖片特征、query特征，用戶上下文特征用于個性化。
(3) collecting unbiased training data


推薦模型和技術
在推薦系統(tǒng)中被工業(yè)界廣泛使用的有效的模型主要有：logistic regression，matrix factorization，Gradient boosting decision tree，其中LR被廣泛用于CTR的預估；matrix factorization模型包括SVD++，factorization machine，ALS等方法，是工業(yè)很推崇的方法；今年RecSys challenge的前三名均使用GBDT的方法。其他被工業(yè)界使用的技術還包括：SGD，采樣，哈希，L1&L2正則，實時流數(shù)據分析等；Spotify還聲稱他們用了MAB的方法。
YouTube Recommendation使用了深度學習技術，用于候選集的生成和排序。
林智仁老師團隊應用field-aware factorization machine模型進行廣告的CTR預估，取得了2個競賽的關鍵，相關研究成果也發(fā)表在今年的RecSys上。


值得關注的論文
1. A Scalable Approach for Periodical Personalized Recommendations
2. Adaptive, Personalized Diversity for Visual Discovery?
3. Field-aware Factorization Machines for CTR Prediction?
4. Local Item-Item Models for Top-N Recommendation ?（Best paper）
5. Mechanism Design for Personalized Recommender Systems?
6. Deep Neural Networks for YouTube Recommendations?
7. Past, Present, and Future of Recommender Systems: An Industry Perspective （author：Xavier Amatriain）
8. Algorithms Aside: Recommendation as the Lens Of Life ?（演講的膠片非常藝術流）
9. Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
10. Are You Influenced by Others When Rating? Improve Rating Prediction by Conformity Modeling （余勇老師組做的工作）
工業(yè)界的幾篇論文：
1. When Recommendation Systems Go Bad ?(meetup)
2. News Recommendations at scale at Bloomberg Media: Challenges and Approaches (Bloomber)
3. Marsbot: Building a Personal Assistant (Foursqure)
4. Music Personalization at Spotify (Spotify)
5. Recommending for the World (Netflix)
6. The Exploit-Explore Dilemma in Music Recommendation ?(Pandora)
7. Tutorial: Lessons Learned from Building Real-life Recommender Systems ?(Xavier’ tutorial)


很高興在今年的RecSys見到以前的朋友、老師和同窗，結交新朋友。RecSys是一個朝氣蓬勃的社區(qū)，面向解決實際問題的推薦和搜索人才密度高。2019年的RecSys將回到亞洲，很有可能在中國舉辦。

總結

以上是生活随笔為你收集整理的RecSys 2016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。