YEF | “薛定谔的RS”：你被推荐系统猜中了吗？

推荐系统是一个热门的话题和技术领域,且在我们的日常生活中随处可见，比如网上购物、新闻资讯、电影推荐和短视频等。其强大的自动推荐能力无疑成为提升推送效率，增强用户黏性的“利器”。然而，在繁荣数字经济、推动社会发展的同时，推荐算法过滤、算法操纵、算法黑箱、算法短视等一系列问题凸显。2022年8月，全国首例“算法推荐”案的判决，提醒我们在打造比自己更“懂自己”的算法推荐服务的同时，也要做到技术可信与用户信息保障之间的良性动态平衡。本论坛将围绕可信推荐、隐私保护、过滤过度等问题展开研讨。

简介：沈华伟，中国科学院计算技术研究所，研究员，博士生导师，数据智能系统研究中心主任，CCF YOCSEF现任副主席。主要研究方向包括：网络大数据分析、社会计算、智能算法安全等，主持国家自然科学基金重点项目、重点研发计划项目等科研项目20余项，在PNAS、IEEE TKDE等国际学术期刊和KDD、WWW、SIGIR等国际学术会议上发表论文100余篇，三次获得国际学术会议最佳论文类奖励。获得国家技术发明二等奖、北京市科学技术二等奖、钱伟长中文信息处理科学技术一等奖、中国科学院院长特别奖、汉王青年创新奖等奖励，入选国家青年人才计划、首批中国科学院青年创新促进会优秀会员和北京智源人工智能研究院青年科学家。

报告题目：互联网信息服务算法推荐治理的实践与思考

摘要：国家网信办等部门出台《互联网信息服务算法推荐管理规定》，从服务规范、用户权益等角度针对生成合成类、个性化推送类、排序精选类、检索过滤类、调度决策类等五大类互联网信息服务算法应用进行规范。发言将介绍互联网信息服务算法治理的着眼的问题、治理实践及思考，并对互联网信息服务算法安全治理的技术路径进行探讨。

简介：任昭春，山东大学教授、博士生导师。主要从事信息检索方面的研究，在对话式信息获取、个性化检索与推荐、文本理解与生成方面取得了多项研究成果。在国际顶级会议和期刊上发表超过100篇论文，谷歌学术引用超过4500次。作为项目负责人承担了包括国家重点研发计划课题在内的多项国家级科研项目，并与美团、腾讯、百度、阿里巴巴等公司开展多项合作。长期担任多个学术期刊的编委或特刊编辑，以及多个国际知名学术会议的领域主席及程序委员会委员；同时担任CCF自然语言处理专委会委员、中国中文信息学会信息检索专委会委员、中国中文信息学会青年工作委员会执委等职务。

报告题目：基于离线强化学习的推荐系统

摘要：推荐系统旨在改善用户体验，由于强化学习非常贴合这一目标——最大化用户在每个会话的累积奖励，因此使用强化学习去构建推荐系统是一个很具有前景的研究方向。然而，在离线训练的场景下，设计基于强化学习的推荐算法并不容易。具体而言，传统强化学习的关键在于使用大量的在线试错训练智能体，因此在训练过程中会产生许多试错经验。然而，在推荐场景下中，在线试错代价高昂。因此，在推荐场景下，智能体需要通过以前推荐策略产生的离线数据进行训练；传统的强化学习算法在这些离线训练设置下可能导致次优的策略。本次报告介绍了我们使用离线训练数据构建基于强化学习的推荐系统方法，主要包括结合监督学习与对比学习的训练方法，以及基于奖励引导的训练方法。

简介：李晨亮，武汉大学教授，博士生导师。研究兴趣包括信息检索、自然语言处理、机器学习和社交媒体分析。在相关领域国际会议和期刊如SIGIR、ACL、AAAI、IJCAI、WWW、TKDE、TOIS等发表论文90余篇；担任中国中文信息学会青年工作委员会副主任、社交媒体专委会委员、信息检索专委会委员、情感计算专委会执行委员；中国计算机学会术语专委委员、信息系统专委执行委员；中国科技情报学会信息技术专业委员会委员；国际计算机学会信息检索北京分会委员。

报告题目：多场景融合的搜推系统前沿进展

摘要：搜推系统已渗透进生活与工作的各个角落，现阶段不同场景往往相对独立，各类场景定制的搜推模型不断更新。如何打破不同场景之间的数据壁垒，推进全方面的用户需求理解，改善低资源场景的性能、降低智能化服务的成本是目前业界较为关心的问题。本次报告将从特征重构、知识共享、模型结构优化、预训练模型等多个角度介绍当前的进展。

简介：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数据挖掘，推荐系统，图神经网络，时空数据分析。在KDD、WWW、SIGIR、ICLR、ICML、WSDM、ICDE、AAAI、IJCAI、CIKM等数据挖掘和人工智能领域顶级会议发表论文40余篇。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。带领的科研课题组的学术成果被评选为ACM SIGIR 2022最有影响力论文。黄超老师被斯坦福大学评选为2022年全球Top 2%的优异学者。

报告题目：鲁棒推荐系统的研究

摘要：推荐系统能够帮助用户缓解信息过载问题，近年来在线上购物、流视频网站、地点推荐等各类网络应用中发挥了越来越重要的作用。为了更准确地对用户偏好进行建模，协同过滤方法将用户、商品嵌入语义空间，使用表征向量压缩观测到的用户、商品交互数据。我们的研究主要致力于设计更为鲁棒的推荐系统从而解决实际场景中的两个关键问题：1) 现有推荐算法的效果极大程度上依赖充足、准确的用户交互记录作为监督信号，在监督信号稀缺的情况下，很难学得准确、高质量的用户、商品表征。2) 数据噪声和倾斜分布问题阻碍模型进行有效的用户、商品交互建模，导致现有基于图的协同过滤模型偏向于预测流行商品，并在面对交互数据稀缺的用户时会出现严重的效果退化。

简介：于旭，青岛科技大学，副教授，博士生导师。现任CCF软件工程专委会、协同计算专委会、教育专委会执行委员，获第十三届青岛市青年科技奖。近年来，主要从事软件工程、推荐系统等领域研究。主持国家自然科学基金项目2项，省部级教科研项目6项；获青岛市自然科学一等奖（首位）1项、山东省高等学校科学技术奖一等奖（首位）1项；在IEEE TITS、TII、Pattern Recognition、Knowledge-Based Systems、计算机学报、软件学报等发表论文40余篇，其中ESI热点论文2篇，ESI高被引论文4篇；已授权国内发明专利15项。

报告题目：推荐理论及其在软件工程中的应用

摘要：推荐是互联网时代最主要的信息获取方式，也是迄今为止最大的人工智能商业化场景。近年来，智能优化和深度学习技术的快速发展为推荐算法的研究提供了新思路。本报告针对多辅助域跨域推荐问题和软件众包平台开发者推荐问题，重点介绍如何利用智能优化方法选择最优的辅助域子集完成高性能推荐，以及如何设计有效的推荐算法解决众包平台上数据含噪声、稀疏性和推荐冷启动难题。