大家好，我是黄帆，在腾讯公司从事推荐算法研发工作，很荣幸受到 DataFun 邀请担任本次大会推荐系统变革论坛的出品人。
二十余年前，Amazon 提出了著名基于物品的协同过滤，开创了规范化的推荐算法演进之路；十余年前，Netflix 的百万美元大奖赛催动了业界的大量投入和争先恐后的创新；随后的线性模型、非线性模型、深度学习模型，都分别风光过好几年；近几年随着中国各大公司纷纷加入战场，每年都有不错的新范式提出并得到广泛应用，推荐算法及系统也日趋复杂且成熟。而且 NLP 和 CV 等其他领域算法的先进成果也经常被推荐算法所吸纳，可以说，推荐系统在二十几年来一直处于变革中。当前的大语言模型发展势头正盛，虽然目前还未对推荐系统带来太大的冲击，但是，新的变革会不会已经在路上了呢？这是值得我们深切关注的话题。
本次推荐系统变革论坛我们有幸邀请到了多位学术界和工业界专家，跟大家一起探讨推荐系统近年的演进和变革案例以及推荐系统与大语言模型结合的前沿话题，相信会是一场不错的思想碰撞盛宴，欢迎大家关注。
个人介绍：博士毕业于北京邮电大学，目前就职于腾讯公司，担任算法专家研究员，从事短视频推荐算法相关工作。拥有十余年算法从业经验，曾先后就职于华为和阿里巴巴。至今累计发表学术论文20余篇，申请发明专利40余项。个人介绍：目前就职于虎牙，之前先后在百度和腾讯工作，一直从事推荐算法领域，尤其对重排/混排算法有较深的理解与创新。在业界首次提出把强化学习应用于多目标融合领域的方案，随后在腾讯多个产品有效果显著的落地应用，后续也有多家公司跟进应用，该成果整理成论文发表在数据挖掘领域国际顶级学术会议KDD2022上，引起较大反响，在这一领域开创了一个全新范式，大幅提升了效果天花板。🔥演讲题目：强化学习在推荐系统中的实践探索与业界进展 c. 强化学习与推荐系统的结合点：交互性与长期满意度（讲述结合的动机，推荐系统通过不断增加预测任务并拓展目标周期，以提升对用户的长期满意度，而强化学习的交互性及长期价值建模有助于推荐系统实现该目标）（以踩坑过程为线索，介绍建模方法，在探索过程中遇到的一些问题，分布偏移、外推误差，模型训练困难，线上效果不稳定等等。介绍一种成功案例的OfflineRL的流程框架）在此次演讲中，我们将尝试探索强化学习与推荐系统的结合点，并分享一些实践中的踩坑经验。听众可能会对这两者的结合有更多的了解，认识到实践中可能的挑战和考虑点。通过一些业界的研究进展，我们希望提供一些思考的方向，但这只是一个起点。期待与大家共同探讨，相互学习，一同前行。个人介绍：毕业于中科院软件所，目前在Shopee负责电商直播为主的内容电商算法，曾在腾讯，阿里，百分点工作过。主要研发方向包括推荐，内容生态，用户增长，营销等。• 常规的推荐系统范式已经逐渐走入瓶颈，原因是在当前固定化的问题描述下模型和系统几乎已经发展 到极限。当前的主要范式是模型是召回+排序+重排，系统上是样本挖掘+特征工程+线上打分预估能力建设。一线大厂在上述领域已经把空间几乎挖掘殆尽。• 同时可以看到，我们的用户仍然对当前推荐系统满意度并没有达到理想态。推荐系统是一个非常面向 于用户满意的平台系统，而用户满意是一个永远有不同理解的问题,正如“一千个用户眼里有一千种好 的推荐系统理解”。同时，我们的推荐系统效果和平台的最终价值之间仍然存在差距。• 构建更好的推荐系统需要我们对重新定义“什么是好的推荐系统”。• 这并不是学术界的“强行挖坑”或者“继续填坑”，而是不同层面上都在呼唤新的定义。• 事实上，新的推荐系统已经零散的在学术界和工业界展现星星之火。1）了解未来3年的推荐系统前沿问题，把握大局方向。2）参与我们的推荐算法的github开源项目：OneRec。
扫码咨询报名
更多最新详情，点击阅读原文，查看大会官网！
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢