本专题将邀请业内顶级专家,分享工业界推荐和广告相关技术以及实践经验,包括业务痛点... 展开 >
江鹏,快手推荐算法负责人,负责快手主 APP、设置版、极速版等业务推荐算法。加入快手前,任阿里巴巴技术总监,负责手淘猜你喜欢推荐以及阿里巴巴多条推荐业务线技术研发,阿里推荐技术演化的主要推动者。在 KDD、WSDM、WWW、RECSYS 等会议发表论文多篇。
本专题将邀请业内顶级专家,分享工业界推荐和广告相关技术以及实践经验,包括业务痛点、技术选型和演化、最新技术进展、解决业务问题的实践经验等等。
推荐系统是数据驱动的应用,数据越多效果越好。随着各国加紧对用户数据隐私的保护,例如欧盟出台 GDPR,中国发布数据安全管理办法(征求意见稿),用户隐私和数据安全的加强同时也限制推荐系统性能的发展。本演讲主要介绍一种新的联邦推荐系统,它在保护合作方用户隐私和数据安全的条件下,合法合理使用数据,提升推荐效果。
1、推荐系统背景介绍
2、联邦推荐系统
3、微众联邦推荐系统架构
4、联邦推荐系统在金融营销中的应用
重视数据隐私和安全已经成为了世界性的趋势,“联邦学习”是解决这一行业性难题的关键技术。微众银行首次将联邦学习技术应用于推荐领域的落地实践。
参会者对推荐系统、联邦学习、机器学习、数据安全其中一到两个领域有较好的了解。
随着推荐系统在信息分发中作用越来越重要,推荐系统优化目标也变得多元化,这次分享将主要介绍淘宝电商推荐中的多目标优化问题及应用实践。
1、简介
2、推荐机制设计
3、强化学习方法
4、帕累托多目标平衡
5、基于多智能体的多场景协同优化
6、千人千模
7、未来展望
1.了解工业级推荐系统中的多目标机制设计和优化方法
2.了解强化学习和多智能体在推荐系统中的实际应用