SFFAI 合作機構 CRIPAC 簡介
智能感知與計算研究中心（www.cripac.ia.ac.cn）為中科院自動化研究所獨立建制的科研部門，致力於研究泛在智能感知理論與技術以及與之相伴的海量感知數據的智能分析與處理。瞄準國際學科前沿，面向國家公共安全、智能產業發展等重大戰略需求，著眼於基礎理論創新與關鍵技術突破以及系統解決方案的研製，努力打造成為國際一流的研究中心，是集人才培養、技術創新、產業孵化為一體的創新平臺。中心目前主要在多模態智能計算、生物識別與安全、生物啟發的智能計算、智能感知基礎理論四個方面展開科學研究。
論壇主題
推薦系統專場
論壇簡介
在信息時代，海量的數據讓人們面臨著“信息過載”的問題，人們需要花費大量時間從數據的海洋中找到自己需要的信息，而“推薦系統”的引入就大大緩解了這樣的問題。本期論壇我們邀請了來自清華大學的陳沖同學分享他在AAAI2020上發表的有關個性化推薦系統的工作。
論壇講者
陳沖
陳沖，清華大學人工智能實驗室信息檢索組 (THUIR) 三年級博士生，本科畢業於清華大學計算機科學與技術系。研究方向包括基於深度學習的推薦系統，可解釋推薦系統，以及高效快速的推薦系統。目前已經在WWW，SIGIR，WSDM，TOIS，AAAI等國際會議和期刊上發表了多篇學術論文。
報告題目：個性化推薦系統中的非採樣學習 （Non-Sampling Learning for Personalized Recommendation）
報告摘要：近年來，深度學習技術在許多領域展現出非凡的應用效果。然而，現有的將深度學習應用到推薦系統任務的工作主要集中在探索和引入不同的神經網絡框架，在模型學習算法方面的研究相對較少。為了優化模型，現有的工作往往使用負採樣策略 (Negative Sampling) 進行訓練。雖然負採樣方便並且易於實現，但是許多最近的研究表明負採樣策略的魯棒性較差，可能會忽略掉重要的訓練樣例從而導致模型無法收斂到最優的狀態。清華大學信息檢索課題組 (THUIR) 首次探索了將非採樣策略 (Non-Sampling, Whole-data based Learning)應用到基於神經網絡的推薦系統中。通過嚴格的數學推理，我們設計了一系列高效的非採樣學習算法，將從整體數據中學習的時間複雜度從理論上降低了一個數量級。基於所設計的高效非採樣算法框架，我們分別設計了不同應用場景下的神經網絡推薦模型，並在多個現實數據集上相比於已有state-of-the-art方法在訓練時間和模型表現上均取得了非常顯著的效果。
Spotlight：
- 通過嚴格的數學推理，我們設計了一系列高效的非採樣學習算法，將從整體數據中學習的時間複雜度從理論上降低了數十倍，所設計的高效學習算法可以廣泛的應用於多個機器學習任務；
- 基於所設計的高效非採樣算法框架，我們分別設計了不同應用場景下的神經網絡推薦模型，並在多個現實數據集上相比於已有state-of-the-art方法獲得非常顯著的提升；
- 所設計的高效非採樣算法填補了非採樣神經網絡推薦模型研究的空白，為基於神經網絡的推薦模型的研究開闢了一個新的方向。
召集人
李奉治
李奉治，中國科學院大學大四學生，中科院計算所預錄取直博，導師為徐志偉研究員。主要研究方向為機器學習中的因果推理。
論文推薦
“ 本期推薦的文章主要關注於推薦系統，你可以認真閱讀講者推薦的論文，來與講者及同行線上交流哦。”
後臺私信回覆"SFFAI59論文"獲取本主題精選論文
推薦理由：該篇論文設計了一系列高效非採樣學習算法，在基礎推薦場景上 （只使用用戶和商品ID信息）達到了SOA效果：推薦效果提升5%以上，訓練時間快30倍以上。
—— 陳沖
推薦理由：該篇論文提出了一個高效自適應遷移學習模型，結合非採樣學習進行訓練，在包含社交關係的推薦場景上達到了SOA效果：推薦效果提升4%以上，訓練時間快7倍以上。
—— 陳沖
推薦理由：該篇論文提出了一個高效的利用用戶和商品的多種行為信息（如點擊，加入購物車，購買等）的推薦模型，在包含多行為數據的推薦場景上達到了SOA效果：推薦效果提升40%以上，訓練時間快10倍以上。
—— 陳沖
推薦理由：本文進一步對非採樣學習算法進行拓展，提出了一個高效的非採樣分解機模型，在包含特徵（feature）和上下文(context)的推薦場景上取得了SOA效果：推薦效果提升9%以上，訓練時間快5倍以上。
—— 陳沖
參會須知
會議時間
2020年4月12日（週日）
19:00 -- 20:00
報名方式
私信回覆“SFFAI”，獲取入群二維碼。
關於SFFAI
現代科學技術高度社會化，在科學理論與技術方法上更加趨向綜合與統一，為了滿足人工智能不同領域研究者相互交流、彼此啟發的需求，我們發起了人工智能前沿學生論壇SFFAI，邀請一線科研人員分享、討論人工智能各個領域的前沿思想和最新成果，使專注於各個細分領域的研究者開拓視野、觸類旁通。SFFAI目前主要關注機器學習、計算機視覺、自然語言處理等各個人工智能垂直領域及交叉領域的前沿進展，進行學術傳播，同時為講者塑造個人影響力。
SFFAI還在構建人工智能領域的知識森林—AI Knowledge Forest。通過彙總各位參與者貢獻的領域知識，沉澱人工智能前沿精華，使AI Knowledge Tree枝繁葉茂，為人工智能社區做出貢獻。SFFAI自2018年9月16日舉辦第一期，每週一期學術分享交流，截止目前已舉辦58期學術交流活動，共有100+位講者分享了他們的真知灼見，來自100多家單位的同學參與了現場交流，通過線上推文、網絡直播等形式，50000+人次參與了人工智能前沿學生論壇。SFFAI自發起以來，迅速成長壯大，已經成為人工智能學生交流的第一品牌，有志同道合的論壇核心志願者團隊、樂於學術分享的講者夥伴，還有許多認可活動價值、多次報名參加現場交流的觀眾，大家通過參與人工智能前沿學生論壇，收穫了寶貴的知識和友誼，SFFAI致力於幫助大家解決在學術中遇到的相關問題，拓展學術人脈，為大家營造專業、開放的學術交流環境！
閱讀更多 人工智能前沿學生論壇 的文章
