SFFAI 21 报名通知 | SFFAI X IEEE 数据挖掘

会员服务 ·

SFFAI 21 报名通知 | SFFAI X IEEE 数据挖掘

2019 年 3 月 11 日 人工智能前沿讲习班

SFFAI'21 合作机构 IEEE 简介

中国科学院大学IEEE学生分会（IEEE UCAS Student Branch）是一个服务性的学术团体，有利于培养中科院的未来学术领袖和科研精英，及时发现和推荐优秀人才，使其获得更多的参与国际科学研究的机会形成不可替代的竞争优势。

论坛主题

SFFAI X IEEE 数据挖掘

召集人

俞宏远，中科院自动化研究所智能感知与计算研究中心研二，目前研究方向跟踪，多目标跟踪。

论坛讲者

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。

题目：套装搭配推荐在图神经网络上的应用

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

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。

题目：深度学习时代的个性化推荐

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

近年来，电商平台飞速发展，搭配问题是电商系统中的一个非常重要的任务，它涉及对商品的深入理解整合。阿里京东等公司，都设计了专门独立的搭配平台，比如时尚大脑，滴搭系统。有很高的商业价值。由SFFAI21分享嘉宾崔泽宇同学为大家精选出来有关图数据挖掘以及服装风格搭配相关论文，带你了解服装搭配领域目前的进展，图数据挖掘最前沿的工作。

SFFAI21分享嘉宾刘强同学精选四篇论文，个性化推荐技术是当今互联网应用中十分重要的一项技术，近年来基于深度学习的推荐模型的研究受到了越来越多的关注，如何在各子问题上提高推荐效果成为了一个重要的课题。

你可以仔细阅读，带着问题来现场交流哦。

🌟🌟🌟🌟🌟

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

🌟🌟🌟🌟🌟

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

🌟🌟🌟🌟🌟

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

🌟🌟🌟🌟

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

🌟🌟🌟🌟

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

🌟🌟🌟🌟

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

🌟🌟🌟🌟

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

时间

2019年3月17日（周日）

14:00 -- 17:00

地点

中国科学院自动化研究所

报名方式

点击下方原文链接 或扫描二维码报名

活动名额

1、为确保小范围深入交流，本次活动名额有限（不收取任何费用）；

2、活动采取审核制报名，我们将根据用户研究方向与当期主题的契合度进行筛选，通过审核的用户将收到确认邮件；

3、如您无法按时到场参与活动，请于活动开始前 24 小时在AIDL微信公众号后台留言告知，留言格式为放弃报名 + 报名电话。无故缺席者，将不再享有后续活动的报名资格。

SFFAI招募召集人！

Student Forums on Frontiers of Artificial Intelligence，简称SFFAI。

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI自2018年9月16日举办第一期线下交流，每周一期，风雨无阻，截至目前已举办18期线下交流活动，共有34位讲者分享了他们的真知灼见，来自100多家单位的同学参与了现场交流，通过线上推文、网络直播等形式，50000+人次参与了SFFAI的活动。SFFAI已经成为人工智能学生交流的第一品牌，有一群志同道合的研究生Core-Member伙伴，有一批乐于分享的SPEAKER伙伴，还有许多认可活动价值、多次报名参加现场交流的观众。

2019年春季学期开始，SFFAI会继续在每周日举行一期主题论坛，我们邀请你一起来组织SFFAI主题论坛，加入SFFAI召集人团队。每个召集人负责1-2期SFFAI主题论坛的组织筹划，我们有一个SFFAI-CORE团队来支持你。一个人付出力所能及，创造一个一己之力不可及的自由丰盛。你带着你的思想，带着你的个性，来组织你感兴趣的SFFAI主题论坛。

当召集人有什么好处？

谁可以当召集人？

怎样才能成为召集人？

为什么要当召集人？

了解我们，加入我们，请点击下方海报！