本期ADL讲习班由CCF普适计算专委会协助组织，邀请到本领域8位来自著名高校与企业的重量级专家学者做主题报告。这些专家都活跃在推荐系统研究和创新的第一线，具有超高的理论造诣和丰富的实践经验，在学术界、产业界以及开源社区都具有广泛的影响力。他们将以不同的视角，通过技术构建和案例实践，多层次多维度地为大家展示推荐系统技术的全景。
学术主任：
谢幸微软亚洲研究院首席研究员，CCF普适计算专委会副主任
金蓓弘中国科学院软件研究所研究员，CCF普适计算专委会常务委员
主办单位：中国计算机学会
活动日程：
2021年9月11日（周六）
9:00-9:15
开班仪式
9:15-9:30
全体合影
9:30-12:30
专题讲座1：图神经网络推荐系统
李勇清华大学电子系长聘副教授，长江学者，CCF普适计算专委会执行委员
12:30-14:00
午餐
14:00-17:00
专题讲座2：数据稀疏场景下的推荐算法
赵鑫中国人民大学高瓴人工智能学院长聘副教授
2021年9月12日（周日）
9:00-10:30
专题讲座3：大规模工业界推荐系统及前沿进展
张俊林新浪微博机器学习团队AILab负责人
10:30-10:45
休息
10:45-12:15
专题讲座4：构建精准、自适应、无偏的推荐系统
何秀强华为诺亚推荐与搜索实验室主任
12:15-14:00
专题讲座5：轻量级高效推荐系统
连德富中国科学技术大学计算机学院特任教授，国家优青，CCF普适计算专委会执行委员
2021年9月13日（周一）
9:00-12:00
专题讲座6：推荐系统的用户行为研究与建模
张敏清华大学计算机科学与技术系长聘副教授
12:00-13:30
13:30-15:00
15:00-15:15
15:15-16:45
专题讲座8：可解释推荐的前沿进展
王希廷微软亚洲研究院主管研究员
16:45-17:00
小结
特邀讲者：
李勇，清华大学电子系长聘副教授，长江学者，CCF普适计算专委会执行委员
报告题目：图神经网络推荐系统
报告摘要：推荐系统在各类互联网产品中广泛应用，成为了信息服务的基础设施，其中广泛收集的用户线上行为是推荐系统最重要的驱动力。然而，在不同的应用场景中，用户的行为模式千差万别、行为数据复杂多样，为推荐系统的模型设计带来了巨大挑战。本报告将从用户行为建模与认知展开，介绍图神经网络推荐系统的一系列研究工作，具体分为两部分。第一部分着手于用户复杂行为建模，分别研究用户的异质行为建模问题、序列化行为建模问题、社交拼团行为建模问题、组合消费行为建模问题；第二部分则深入用户行为机理认知，分别研究用户行为受商品价格、从众心理、推荐结果多样性等多种内在及外在因素的影响。
赵鑫，中国人民大学高瓴人工智能学院长聘副教授
报告题目：数据稀疏场景下的推荐算法
报告摘要：本次报告将探讨推荐系统中的一个关键技术挑战：如何在数据稀疏场景下设计合适的推荐算法，从而形成更为有效的信息资源推送。将从三个方面进行本次报告的介绍，包括数据扩充技术、信息迁移模型以及自监督学习算法。在数据扩充技术方面，将主要介绍如何引入社交信息缓解系统冷启动问题；在信息迁移模型方面，将主要回顾已有的跨领域推荐模型和最新的元学习技术；在自监督学习算法方面，将主要介绍最新的自监督学习算法在推荐系统中的应用。最后将简要总结本次报告。
张俊林，新浪微博机器学习团队AILab负责人
报告题目：大规模工业界推荐系统及前沿进展
报告摘要：工业界实用化的推荐系统是个复杂的系统工程，一般包含典型的几个阶段：召回、粗排、精排、重排几个关键环节。本次报告首先介绍典型的大规模推荐系统构成，将分别介绍几个关键环节的经典做法，包括多路召回、双塔召回、多目标排序等不同阶段采用的实用化经典模型；另外，将系统梳理推荐系统的若干前沿技术及发展趋势，比如AutoML、图神经网络、多模态、长短期兴趣联合建模等。
何秀强，华为诺亚推荐与搜索实验室主任
讲者简介：何秀强，华为诺亚推荐与搜索实验室主任，诺亚方舟实验室技术专家，2010年博士毕业于香港科技大学，主要从事推荐与搜索方向机器学习算法前沿研究，在人工智能国际会议和期刊发表论文30多篇。
报告题目：构建精准、自适应、无偏的推荐系统
连德富，中国科学技术大学计算机学院特任教授，国家优青，CCF普适计算专委会执行委员
讲者简介：连德富，中国科学技术大学计算机学院特任教授，博士生导师，国家优青。2014年博士毕业于中国科学技术大学计算机学院。他曾任电子科技大学副教授、悉尼科技大学访问学者并入选微软亚洲研究院铸星计划。他的主要研究方向是数据挖掘、推荐系统和智慧城市。他在KDD、NeurIPS、SIGIR、TKDE、TOIS等高水平期刊和会议上发表论文80余篇，曾获得2018年度教育部自然科学一等奖（排名4）、APWeb2016BestPaperRunner-Up等奖励。同时他常年担任KDD、WWW、ICML、NeurIPS、SIGIR等国际顶级会议的程序委员会委员以及TOIS、TKDE等高水平期刊的审稿人。
报告题目：轻量级高效推荐系统
报告摘要：针对数以亿计的用户和物品，线上推荐的可扩展性受到严重挑战，特别是为保证个性化服务的精准度，推荐模型正在往高度非线性化的方向发展，这使得预测用户对物品的评分的计算开销大幅增加。为实现快速精准推荐，推荐系统一般被分解为两个阶段，即面向高效推荐的召回阶段和面向精准推荐的排序阶段。现有的推荐系统独立学习召回算法和排序算法，可能造成召回目标与排序目标不一致，使得推荐精度提升面临巨大瓶颈。同时，为解决推荐系统中常见的负样本缺失问题，现有推荐算法训练往往依赖于静态负样本采样或简单的动态负样本采样算法，使得负样本有效性可能受到限制。最后，针对可推荐物品数量和推荐模型大小不断增长，推荐模型和索引将占据越来越多的存储空间，面临内存存储和移动端部署的挑战。我们针对以上三个问题进行探索，提出了高效率、高精度、低存储的推荐系统，在讲座中我们将详细介绍这些方向上的最新研究进展。
张敏，清华大学计算机系长聘副教授
报告题目：推荐系统的用户行为研究与建模
王希廷，微软亚洲研究院主管研究员
报告题目：可解释推荐的前沿进展
学术主任
谢幸，微软亚洲研究院首席研究员，CCF普适计算专委会副主任
金蓓弘，中国科学院软件研究所研究员，CCF普适计算专委会常务委员
个人简介：
金蓓弘，中国科学院软件研究所研究员，博士生导师，中国科学院大学岗位教授。主要研究领域为普适计算、智能感知、数据挖掘。在国际期刊、国际会议上发表学术论文100余篇，论著1部，译著1部。曾获国家科学技术进步二等奖，中国科学院科技进步一等奖，北京市科学技术一等奖，中国公路学会科学技术奖三等奖，曾获中国科学院研究生院优秀教师荣誉称号以及中国科学院朱李月华优秀教师奖。CCF高级会员，CCFYOCSEF荣誉委员。
地点：北京中国科学院计算技术研究所一层报告厅（北京市海淀区中关村科学院南路6号）