实时时序上下文推荐系统获KDD最佳论文奖
在ACM知识发现与数据挖掘会议（KDD）的应用数据科学赛道中，某中心云服务部门的研究团队荣获最佳论文奖。获奖论文《实时时序上下文推荐》由机器学习科学家马毅飞、高级机器学习科学家穆拉里·纳拉亚纳斯瓦米、应用科学家林海斌和应用科学家丁浩共同完成。
该论文技术是某中心个性化推荐服务的核心算法之一，已被多家企业采用。论文探讨了构建自适应任何数据集的"黑盒"推荐系统所面临的挑战，无需机器学习专家的监督即可自主调整。
传统推荐系统通常基于客户相似性（基于购买历史）和商品相似性两个因素进行推荐。但这种方法可能错过随时间发生的偏好变化，例如当某产品类别发布新品时。
该研究使推荐系统能够利用购买顺序和购买间隔时间信息。通过为时序因素和更稳定的因素（如不同产品类别间的一般关联）分配不同权重提供理论基础，论文还提出了解决"冷启动"问题的原则性方法，即为购买历史稀疏的客户提供推荐。
论文还提供了采样技术，使该方法能够准确高效地推广到包含数百万条目的商品目录。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
