Переход к единому пути
RecSys в этом году сменила формат и решила перейти на однопутный. Мне всегда нравились однопутные конференции, поэтому я определенно предвзято отношусь к этому, но однодорожечная конференция может многое сказать об этом. Одним из неожиданных преимуществ этого метода является то, что он помогает объединить людей из разных слоев общества вокруг одной и той же проблемы / темы. Это особенно полезно на таких конференциях, как RecSys, где опыт участников очень разнообразен (включая алгоритмы, математику, социологию, машинное обучение, науку о данных, UI / UX и т. Д.). Другой способ взглянуть на это состоит в том, что одинарный путь заставляет открывать новые темы. Как участник, вы в конечном итоге посещаете беседы, на которых вы бы не присутствовали в многодорожечной обстановке, когда люди, как правило, посещают треки, с которыми они наиболее знакомы.
Одним из недостатков сингла-трека является то, что график становится довольно плотным и оставляет мало места для обсуждений или вопросов и ответов. На мой взгляд, это не проблема, поскольку у участников достаточно времени для обсуждения во время перерывов на кофе.
Пока неясно, выйдет ли RecSys на однопутный снова в следующем году, но я с нетерпением жду их мнения по этому вопросу. Давайте посмотрим!
К более полезным рекомендациям
Сейчас хорошо известно, что рекомендательные системы играют решающую роль в нашей повседневной жизни. Сообщество RecSys добивается значительных успехов в этом аспекте.
В этом году особенно важную роль сыграли два выступления. Во-первых, Элизабет Черчилль (Google) призвала участников проявлять инициативу и действовать независимо («есть свобода действий!»). Она также настаивала на необходимости избегать создания того, что она называла «динозаврами» (бесполезные / опасные продукты, рожденные «очень крутым» и легкодоступным техническим решением). Второй (выдающийся) доклад Кристофера Берри (@cjpberry) из CBC Canada отправил аудиторию в невероятное путешествие по истории Канады, социальной сплоченности и роли рекомендательных систем в нашем обществе.
На самом деле, хотя многое еще предстоит сделать, сообщество уже усердно работает. Это видно в ряде принятых в этом году работ, таких как Исследуй, эксплуатируй и объясняй: персонализация объяснимых рекомендаций с бандитами Джеймса Макинерни и др., Смешанные методы оценки удовлетворенности пользователей , руководство Spotify, и Интерпретация бездействия пользователя в рекомендательных системах Цянь Чжао и др.
Выступление Джозефа Константа на семинаре REVEAL также стало ключевым вкладом по этой теме. По сути, Джозеф говорит нам, что если рекомендательные системы, которые мы создаем, обучены предсказывать те самые элементы, которые пользователь сам находит без рекомендаций (да, я смотрю на вас, Precision_at_k), то полезность рекомендателя становится очень полезной. спорно. Хотя мы должны продолжать использовать многие метрики, которые мы создали до сих пор (мы любим измерять вещи, и это хорошо!), Большая часть проблемы сейчас заключается в наведении моста между этими метриками и реальными целями, для которых мы хотим оптимизировать (CTR, время на сайте, рефералы, покупки и т. Д.)
Некоторые семинары, например, FatRec (справедливость) и REVEAL (офлайн-оценка), напрямую способствуют повышению полезности рекомендателей.
Также было примечательно, что приз за лучший объемный доклад получил Причинные вложения Стивена Боннера и Флавиана Василе из Criteo Labs. В документе рассматривается задача увеличения желаемого результата по сравнению с обычным поведением пользователей, что, безусловно, является здоровым способом оценки рекомендателей в целом. Как упомянул Ксавье Аматриан во время церемонии награждения, особенно приятно видеть, что эта фундаментальная тема поднимается промышленностью. Это признак очень здорового взаимодействия между академическим сообществом и промышленностью в RecSys.
Справедливые рекомендатели
Справедливость серьезно набирает обороты в RecSys. Хотя эту тему иногда можно рассматривать с чисто этической точки зрения, на конференции были выделены различные подходы к этой теме.
Один из подходов, который меня поразил, - это Калиброванные рекомендации Харальда Стека из Netflix. Общая идея состоит в том, чтобы удовлетворить ограничение, согласно которому рекомендуемые вам продукты должны соответствовать дистрибутиву, аналогичному тем, что вы смотрели в прошлом. Так, например, если вы смотрели 70% боевиков и 30% романтических фильмов, то рекомендатель должен показать вам (примерно) 70% боевиков и 30% романтических фильмов, даже если это может быть лучшим вариантом. для Netflix, чтобы предоставить другое распространение.
У Fairness теперь есть специальный семинар (FatRec), который привлек большую аудиторию и, скорее всего, повлияет на RecSys и другие конференции в ближайшие годы.
Нет, глубокое обучение не захватывает мир…
Алгоритмы по-прежнему являются ключевым аспектом рекомендаций, охватывая чуть более 50% отобранных статей.
Несмотря на то, что регулярно говорят в социальных сетях, глубокое обучение * не * захватывает мир в рекомендательных системах. Хотя вклад в глубокое обучение по-прежнему значительный, ряд участников, не колеблясь, раскрывают методы, которые отнюдь не являются глубокими, но, тем не менее, обеспечивают очень элегантные и эффективные решения проблемы. Примеры включают Построение рекомендательных систем со строгими границами конфиденциальности Рено Бурасса (Slack) и Персонализация иллюстраций в Netflix Фернандо Амат (Netflix).
Фактически, в этом году сессия семинара по глубокому обучению (DLRS) была третьей и последней, так как организаторы семинара считают, что миссия семинара была выполнена (содействие развитию глубокого обучения в сообществе). Хотя сначала мне было немного грустно и ошеломлено, узнав об этом, мне пришло в голову, что ... ну да, на самом деле это, вероятно, правильно и хорошо!
Примеры вклада в глубокое обучение в этом году включают Интерактивная рекомендация с помощью контекстных бандитов, расширенных глубокой нейронной памятью, Илин Шен и др. и Спектральная совместная фильтрация Лей Чжэн и др.
… но фреймворки есть!
Хотя глубокое обучение не захватывает мир, фреймворки, с другой стороны, из года в год делают жизнь исследователей и инженеров намного проще. Я мог бы продолжать и продолжать объяснять различные новинки тензорного потока и pytorch, но, чтобы быть кратким, я нашел один пример особенно поразительным: даже OldRidge из Realtor.com представил свою работу над Адаптацией рекомендаций на основе сеанса для функций через передачу Learning и объяснил, как они использовали Fast.ai для создания своего конвейера. То, что компания смогла построить целый конвейер производственного уровня на основе Fast.AI, много говорит о влиянии фреймворков.
Здесь очень весело!
Конференция поддерживает первоклассную способность приносить удовольствие! То, что происходит в Ванкувере, остается в Ванкувере, но в четверг вечером мы действительно увидели несколько очень интересных дополнений к караоке :-) И банкет был просто выдающимся. Увидимся в следующем году!
