学术报告:非独立同分布的推荐系统研究
发布时间: 2019-04-08 浏览次数: 10
 

报告人:操龙兵教授
题目:非独立同分布的推荐系统研究
时间:2019年4月8日(周一)下午15:20-16:50
地点:机电楼A座407会议室
 
摘要:
 
非独立同分布学习(non-IID Learning)问题经过近十多年来的集中研究已经在如下领域得以不断的深入并取得一定的进展:(1)基于非独立同分布的相似性学习、度量学习、特征工程、表示学习、统计学习与深度学习等的基础理论与方法,(2)基于非独立同分布的聚类、分类、行为分析、异常检测、推荐系统与计算机视觉等的学习任务与应用。在此基础上,讲者结合应用广泛的推荐系统的研究,提出“非独立同分布的推荐系统”(non-IID recommender systems)的概念与体系,并介绍近年来在非独立同分布的推荐系统研究方面的一些进展,涉及在矩阵分解、协同过滤、表示学习、统计学习、深度学习等中学习用户、产品、用户-产品的交互、情景/上下文的非独立同分布性,从而提升现有的推荐系统理论与方法深入理解用户与产品的可观测的属性、耦合关系与特点以及隐式的属性、耦合关系与特点等的能力,实现更加有效的个性化推荐、下一产品的推荐、基于情景/上下文的推荐、以及大规模与稀疏推荐等,供大家一起探讨与批评指正。
 
讲者简介:
操龙兵教授,在中科院自动化所获模式识别与智能系统方向博士学位、在悉尼科技大学获计算科学博士学位,现任悉尼科技大学工程与信息技术学院教授,悉尼科技大学先进分析研究所创始人。他提出并重点研究的问题包括非独立同分布学习、行为信息学、决策知识发现等,研究兴趣还涉及数据挖掘、机器学习、人工智能等领域。在上述方向发表专著5部、论文300余篇。比较早地在国际上推动数据科学与分析学的产、学、研工作,是KDD2015等多个大会主席或程序委员会主席。