搜索推荐与算法

会议室:待定
出品人:张俊林

本专题将邀请相关业内专家,分享工业界中如何将机器学习或深度学习技术正确应用在各种... 展开 >

专题出品人:张俊林

新浪微博 机器学习团队AI Lab负责人

张俊林,中国中文信息学会理事,中科院软件所博士。目前担任新浪微博机器学习团队AI Lab负责人。在此之前,张俊林曾经在阿里巴巴任资深技术专家并负责新技术团队,以及在百度和用友担任技术经理及技术总监等职务。他是技术书籍《这就是搜索引擎:核心技术详解》(该书荣获全国第十二届优秀图书奖)、《大数据日知录:架构与算法》的作者。

他本科毕业于天津大学管理学院,之后在中科院软件所直接攻读博士学位,研究方向是信息检索理论与自然语言处理,就学期间曾在ACL2006、COLING2004、IJCNLP2004等国际顶级会议发表多篇学术论文。另外,他在此期间领导设计的搜索系统曾在美国国防部DARPA主持的TREC高精度检索系统评测中取得综合排名第一名的优异成绩。近年来,陆续在Recsys2019以及ICDM2019等国际会议发表多篇深度学习推荐系统相关论文。

专题出品人:张俊林

新浪微博 机器学习团队AI Lab负责人

张俊林,中国中文信息学会理事,中科院软件所博士。目前担任新浪微博机器学习团队AI Lab负责人。在此之前,张俊林曾经在阿里巴巴任资深技术专家并负责新技术团队,以及在百度和用友担任技术经理及技术总监等职务。他是技术书籍《这就是搜索引擎:核心技术详解》(该书荣获全国第十二届优秀图书奖)、《大数据日知录:架构与算法》的作者。

他本科毕业于天津大学管理学院,之后在中科院软件所直接攻读博士学位,研究方向是信息检索理论与自然语言处理,就学期间曾在ACL2006、COLING2004、IJCNLP2004等国际顶级会议发表多篇学术论文。另外,他在此期间领导设计的搜索系统曾在美国国防部DARPA主持的TREC高精度检索系统评测中取得综合排名第一名的优异成绩。近年来,陆续在Recsys2019以及ICDM2019等国际会议发表多篇深度学习推荐系统相关论文。

专题:搜索推荐与算法

本专题将邀请相关业内专家,分享工业界中如何将机器学习或深度学习技术正确应用在各种形态的搜索推荐场景中,包括业务痛点是什么,如何正确地进行技术选型,实施时遇到怎样的困难以及如何快速解决这些问题等宝贵实践经验。

by 朱小强(怀人)

阿里妈妈
深度学习算法平台负责人
敬请期待

by 陈欢

滴滴出行
高级专家算法工程师
滴滴搜索系统的深度学习演进之路

本次讲座将介绍滴滴搜索的技术框架和用深度学习技术升级滴滴搜索引擎的演进过程。我们对搜索引擎的全流程模块都进行了深度学习技术升级,包括查询词改写、检索召回和排序。在这个技术演进的过程中我们突破了许多工程落地的困难,同时我们结合出行场景特性对这些模块进行了效果优化,相信其中的难点突破、创新设计对大家会有帮助。

1. 搜索概述

(1)不同搜索业务的目标和实现差异

(2)滴滴搜索引擎架构

2. 如何用机器学习实现查询词改写

(1)基于HMM模型的查询词改写

(2)基于BiRNN+Attention的查询词改写

(3)改善深度模型在线预测性能的方法

3. 如何用深度学习实现相关性模型

(1)相关性模型的挑战

(2)深度表示学习模型

(3)深度匹配学习模型

(4)结合地理的深度相关性模型(滴滴AAAI paper)

4. 检索召回排序的技术演进

(1)深度语义匹配召回方法与实现

(2)深度排序模型的实现

听众收益:

1. 了解深度学习在搜索领域的应用

2. 了解相关性模型的近几年进展

3. 了解深度学习在工业界落地的挑战和解决方案

听懂我的演讲,需要具备这些知识储备:自然语言处理、深度学习、搜索框架

by 汤斌

美图
高级算法专家
走向深度学习的美图社区推荐:从工具到算法

美图公司目前拥有3亿多月活跃用户,日均处理上亿图片和视频。为了让用户收获更多,2018年,美图正式转型“美和社交”的战略,社交化转型的过程中遇到了不少困难和挑战。

本次分享将介绍美图推荐算法团队如何应用深度学习技术,来克服社交化转型中遇到的各种挑战。首先,内部基于传统机器学习任务开发的工具,通过特征编码方案和特征数据结构的升级以支持深度学习建模。同时通过对Neural Factorization Machine模型的三次改进,适应了业务对模型的需要。另外通过用户行为序列特征建模进一步增强了模型端到端的能力。为了解决模型因复杂度过高导致的在线耗时增加的问题,我们也实现了多塔网络的模型框架。最后,通过多任务模型的几次迭代,解决了推荐场景下多个优化目标的需求。

在过去一年的具体实践中,从模型改进到特征建模再到多目标优化,我们也总结一些经验,相信也能带给大家一些的启发和帮助。

演讲提纲:

1. 美图推荐场景与面临的挑战

2. 支持深度学习的传统机器学习工具的升级

3. 基于NFM模型的几次模型改进

    a) 基于特征空间线性变换的改进

    b) 基于二阶特征加权Pooling的改进

4. 用户行为序列特征建模

    a) 用户行为序列特征建模的几种方法

    b) 基于用户行为加权的序列建模方法

5. 解决在线推理效率的多塔网络

6. 推荐场景下的多任务学习

    a) 基于样本reweight的方法

    b) 多任务模型之Multi-Task NFM

    c) 多模型以及多个多任务模型

7. 未来的工作计划

听众受益:

1.了解推荐场景下,传统机器学习工具向深度学习工具转变的几个优化点与方案

2.了解NFM在推荐排序下的应用,以及存在问题和优化方案

3.了解用户行为序列特征建模在真实推荐场景下的应用方法

4.了解推荐场景下,多任务学习的几种方法以及各自的优缺点

前沿亮点:

1.深度学习的特征编码方案

2.NFM模型的改进

3.行为序列特征建模方法

4.排序模型在线推理加速策略

听众知识储备:

1. 具备基本的机器学习、深度学习模型实践经验

2. 对推荐场景,以及推荐排序有一定的了解

交通指南

© 2019 Baidu - GS(2018)5572号 - 甲测资字1100930 - 京ICP证030173号 - Data © 长地万方
本网站图片存储由七牛云独家支持