某中心研究人员在KDD会议上荣获最佳论文奖

研究致力于使推荐系统更好地感知变化趋势并提升可扩展性。

在国际计算机学会知识发现与数据挖掘会议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亦飞、高级机器学习科学家穆拉利·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。

论文所述技术是某个性化推荐服务的核心算法之一，已被多家企业采用。马亦飞表示：“个性化推荐有助于长尾内容的分发。本研究探索了构建自适应任何数据类型的黑盒推荐系统所面临的挑战，无需机器学习专家的干预。”

传统推荐系统通常基于两种因素：用户相似性（基于购买历史）和商品相似性。但这种方法可能忽略随时间变化的偏好偏移，例如某产品类别发布新品时的动态变化。

该研究使推荐系统能够利用购买顺序和间隔时间的信息。通过为时序因素和更稳定的因素（如不同商品类别间的关联）分配不同权重提供理论基础，论文提出了解决"冷启动"问题的原则性方法，即如何为购买历史稀疏的用户提供推荐。

论文还提出了采样技术，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中。

研究领域
搜索与信息检索

标签
推荐系统、KDD、奖项与认可

相关论文
《实时时序上下文推荐》