1. 讲者介绍

崔泽宇：中国科学院自动化研究所博士一年级在读，本科毕业于华北电力大学（保定）。研究方向为多模态数据挖掘与推荐系统。在WWW会议发过一篇论文。

报告题目：套装搭配推荐在图神经网络上的应用

报告摘要：随着服装时尚市场的快速发展，用户对于流行时尚推荐的需求越发高涨。我们主要针对服装搭配问题，即 “如何为几件选定的服装挑选最适合的衣服？”这个问题展开讨论。本文中，提出NGNN模型改进图神经网络，建模套装商品之间的交互关系，并从图像文本双模态的角度，解决套装搭配问题，获得了很好的效果。

Spotlight：

服装搭配，图神经网络

2. 讲者介绍

刘强：瑞莱智慧联合创始人&研发总监，2018年博士毕业于中国科学院自动化研究所，研究兴趣集中在数据挖掘、个性化推荐、风控模型、模型可解释等方面，微软学者奖得主，在AAAI、IJCAL、SIGIR、WWW、CIKM、ICDM、IEEE TKDE、ACM TIST等顶级会议与期刊发表发表十余篇论文。

报告题目：深度学习时代的个性化推荐

报告摘要：随着信息时代的发展，人们往往被信息过载的问题所困扰，难以找到自己喜欢或需要的信息，因而个性化推荐的重要性越发凸显。在深度学习蓬勃发展的今天，不同于图像、语音等领域的应用，深度学习在推荐领域的应用面临着不一样的问题，也造成了在某些场景下的难以推广。基于深度学习的个性化推荐技术，核心在于特征的非线性交互表达学习。本讲将着重介绍个性化推荐技术不同层面的特征交互学习，以及现阶段所面临的问题和发展方向。同时，本讲也将介绍其他数据挖掘领域的预测性任务，着重讲述与个性化推荐存在共性的建模方法和问题。

Spotlight：

个性化推荐，数据挖掘中的预测任务

论文推荐

1. Aesthetic-based Clothing Recommendation

推荐理由：WWW2018最佳论文，从美感的角度考虑服装推荐的问题，把服装的属性主要划分为，美感和类别两个方面。模型简洁易懂，实验完备扎实。取得了很好的效果。

推荐理由来自：崔泽宇

2. Product-based Neural Networks for User Response Prediction over Multi-field Categorical Data

推荐理由：本文是上海交通大学张伟楠团队和华为诺亚方舟实验室合作的一篇工作，主要研究的是在线点击率预估场景中的特征交互问题，提出了Product-network In Network (PIN)模型。PIN模型是Product-based Neural Network (PNN)模型的扩展。在进行特征交互时，PIN模型不是简单的向量内积或者外积，而是用子神经网络来建模特征之间的交互关系。这种建模方式，比简单使用向量内积或者外积的PNN、DeepFM等方法具有更强的表达能力更加有效。作者在4个离线数据集上进行了测试，都取得了一定的提升。随后，作者也将PIN模型应用在华为应用市场的游戏推荐中，经过多天的观测，相比于基础模型，PIN模型将下载率提升30%以上；相比于DeepFM模型，PIN模型也有10%左右的提升。

推荐理由来自：刘强

3. Deep Interest Network for Click-Through Rate Prediction

推荐理由：本文是阿里妈妈团队的一篇工作，是针对于商品推荐的研究。本文改进了传统的注意力模型，在计算注意力权重的时候，同时考虑历史商品和待推荐商品，更有效地建立起了历史商品和候选商品的关联。同时，作者还改进了正则化的计算，对于不同出现频率的商品特征向量有着不同大小的正则化损失。作者在2个离线数据集上进行了测试，都取得了一定的提升。随后，作者也将该模型应用在淘宝的推荐系统中，经过多天的观测，相比于基础模型，点击率提升了10%，收益提升了3.8%。

推荐理由来自：刘强

4. Hierarchical Graph Representation Learning with Differentiable Pooling

推荐理由：2018年斯坦福的jure团队在graph上的一个工作发表在NeurIPS，该工作通过层次化的建模，在做图表达的同时，进行层次化的graph pooling工作，思想很值得借鉴，不论是写作上还是工作内容都是一篇精致的工作。

推荐理由来自：崔泽宇

5. Link Prediction Based on Graph Neural Networks

推荐理由：同样是发表在NeurIPS2018的工作，该工作着重于如何将GNNs运用在大规模数据上，进行图数据挖掘领域基础应用link prediction的任务，有较大的指导意义。

推荐理由来自：崔泽宇

6. Convolutional Neural Networks based Click-Through Rate Prediction with Multiple Feature Sequences

推荐理由：本文是腾讯广告团队的一篇工作，是针对在线点击率预估场景中的CNN模型的改进工作。由于CTR预估场景中的特征排布本身不具有顺序，因此基于CNN的预估模型性能往往不稳定，最优的排布方式往往不固定。因此，本文作者提出了用多个学习模块来学习不相同的特征序列，保证了模型性能的稳定性，提升了模型表现。作者在2个离线数据集上进行了测试，都取得了一定的提升。随后，作者也将该模型应用在腾讯的社交广告系统中，经过多天的观测，相比于基础模型，在线点击率有显著提升。

推荐理由来自：刘强

7. Dressing as a Whole: Outfit Compatibility Learning Based on Node-wise Graph Neural Networks

推荐理由：本文是中科院自动化所吴书老师团队的一篇工作，主要研究基于图神经网络进行服装搭配的学习。本文提出将一套服装表示为一个图，在这个图中，每个点代表一个服装的种类，而两个点之间的边代表这个种类的衣服可以搭配。因此每套服装可以表示为一个图。为了从图中学习到搭配度，作者使用了基于图神经网络提出的点图神经网络来学习每个点的表示，并用一个注意力机制为一个图打分，即这套服装的搭配度。作者在polyvore和amazon数据集上进行了实验，本文的方法都展现出了最好的结果。

推荐理由来自：刘强

回放视频+推荐论文+讲者PPT 登录后获取查看地址