当前深度学习模型需要在一定认知先验的基础上进行更加稳定、高效的学习与推理，这类先验正是能从数据中无监督的学到可解释概念的基础，而在推荐系统中也可以利用认知先验来更好的对用户的长短期兴趣进行捕捉和预测，构建可外化的推荐理由。通过概念的理解我们还可以对商品进行更深层次的理解并二次加工形成场景化或更精细化的导购，创造新的商业价值。本次分享将从以下几个方面进行重点探讨：

内容大纲

1. 目前推荐系统中面临的问题

2. 从认知推理的角度缓解这样的困境

• 围绕认知概念进行个性化推荐的各种形式
• 解离化的用户/商品兴趣表征
• 用户长短期兴趣的维护与演化
• 推荐理由与场景描述的生成

3. 认知推理的前沿技术研究

• Cognitive Graph 在 QA、KB 领域崭露头角
• 概念自学习进展

听众受益

• 了解电商推荐系统中的切实问题；
• 了解目前电商推荐系统的技术进展与未来关注的方向；
• 了解认知推理技术的研究现状与应用前景。

适合人群

了解深度学习特别是表征学习在推荐系统中的应用、了解大规模无监督学习的方法、了解知识图谱的相关概念。