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，某机构研究团队凭借论文《实时时序上下文推荐》获得最佳论文奖。该论文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，目前已被多家企业采用。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的挑战，无需机器学习专家的监督。”

传统推荐系统通常基于两种因素：客户相似性（基于购买历史）和产品相似性。但这种方法可能忽略随时间变化的偏好转移，例如特定产品类别发布新产品时。

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通用关联）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，即如何为购买历史稀疏的客户提供推荐。

论文同时提供了采样技术，使该方法能够准确高效地推广到包含数百万条目的产品目录。

研究领域
搜索与信息检索

标签
推荐系统｜KDD会议｜奖项与认可

相关出版物
《实时时序上下文推荐》

本文涉及技术内容包括：推荐系统算法设计、时序建模、冷启动解决方案、大规模数据采样技术等核心机器学习应用。