第 26 屆 ACM SIGKDD 知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘會(huì)議（KDD 2020）已于太平洋標(biāo)準(zhǔn)時(shí)間 8 月 23 日 － 27 日以虛擬線上方式召開(kāi)。今年 KDD 收集了 338 篇論文（研究和應(yīng)用軌道），34 個(gè)研討會(huì)，45 個(gè)教程（講座和實(shí)踐），使其成為計(jì)算機(jī)科學(xué)中最大的應(yīng)用研究會(huì)議之一。
在繼時(shí)間檢驗(yàn)獎(jiǎng)，新星獎(jiǎng)，創(chuàng)新獎(jiǎng)，論文獎(jiǎng)，服務(wù)獎(jiǎng)等獎(jiǎng)項(xiàng)公布之后，最佳論文獎(jiǎng)也已出爐，其中最佳論文獎(jiǎng)由谷歌研究院的 Walid Krichene 和 Steffen Rendle 摘得，最佳學(xué)生論文獎(jiǎng)由杜克大學(xué)的 Ang Li、Huanrui Yang、陳怡然和北航段逸驍、楊建磊獲得。
最佳論文獎(jiǎng)
最佳論文獎(jiǎng)由來(lái)自谷歌研究院的 Walid Krichene 和 Steffen Rendle 獲得，獲獎(jiǎng)?lì)}目為《On Sampled Metrics for Item Recommendation》
簡(jiǎn)介：項(xiàng)目推薦的任務(wù)需要在給定上下文的情況下對(duì)大量的項(xiàng)目進(jìn)行排序。項(xiàng)目推薦算法是使用依賴(lài)于相關(guān)項(xiàng)目位置的排名指標(biāo)來(lái)評(píng)估的。為了加速度量的計(jì)算，最近的工作經(jīng)常使用抽樣的度量，其中只有一組較小的隨機(jī)項(xiàng)和相關(guān)項(xiàng)被排序。
本文對(duì)抽樣指標(biāo)進(jìn)行了更詳細(xì)的研究，發(fā)現(xiàn)它們與精確的度量值不一致，因?yàn)樗鼈儧](méi)有保留相關(guān)的語(yǔ)句，例如，說(shuō)推薦者 A 優(yōu)于 B 時(shí)甚至連期望值也沒(méi)有。而且，抽樣規(guī)模越小，指標(biāo)之間的差異就越小，另外對(duì)于非常小的抽樣規(guī)模，所有指標(biāo)都會(huì)坍縮為 AUC 度量。
作者證明了通過(guò)應(yīng)用一個(gè)修正項(xiàng)來(lái)提高抽樣指標(biāo)的性能是可行的：通過(guò)最小化不同的標(biāo)準(zhǔn)，如偏差或均方誤差。最后，對(duì)原始抽樣指標(biāo)及其修正變量進(jìn)行了實(shí)證評(píng)估。綜上所述，作者建議在度量計(jì)算中應(yīng)避免抽樣，但是如果實(shí)驗(yàn)研究需要抽樣，那么作者所提出的修正項(xiàng)可以提高估計(jì)的質(zhì)量。
Walid Krichene
Walid Krichene 是谷歌研究所激光小組的成員，從事機(jī)器學(xué)習(xí)和推薦。他還致力于開(kāi)發(fā)使用連續(xù)時(shí)間和隨機(jī)動(dòng)力學(xué)的優(yōu)化方法。他也是 Google 開(kāi)源 ML 課程推薦系統(tǒng)課程的合著者，在 ML＠ 資本。
Steffen Rendle
Steffen rendle 是谷歌的一位研究科學(xué)家。在此之前，他是德國(guó)康斯坦茨大學(xué)的助理教授。Steffen 的研究興趣是使用因子分解模型進(jìn)行大規(guī)模機(jī)器學(xué)習(xí)。他的研究獲得了 2010 年 WWW 網(wǎng)站的最佳論文獎(jiǎng)和 WSDM 2010 年的最佳學(xué)生論文獎(jiǎng)。Steffen 將他的研究應(yīng)用于各種機(jī)器學(xué)習(xí)競(jìng)賽，在 2009 年和 2013 年的 ECML 發(fā)現(xiàn)挑戰(zhàn)賽中獲獎(jiǎng)。
123下一頁(yè)>（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。 ）
