在復(fù)雜多變的網(wǎng)絡(luò)環(huán)境中，如何優(yōu)化消費者的線上購物體驗，是所有電商從業(yè)者的焦點之一。想象一下：如果用戶瀏覽手機或網(wǎng)頁時，時間有限，但垃圾信息與虛假資訊鋪天蓋地、障人眼目，用戶的心情是輕松、愉快，或不耐煩、暴躁？

“智能推薦”或“個性化推薦”在線上購物、廣告瀏覽與資訊傳播等場景中的應(yīng)用越來越廣泛?；谟脩舻狞c擊、點贊、評論、收藏、轉(zhuǎn)發(fā)等等瀏覽行為進(jìn)行建模，是算法推薦的常見操作。然而，推薦系統(tǒng)也會因為缺少用戶的使用數(shù)據(jù)（如用戶第一次登錄某網(wǎng)頁）面臨尷尬的“冷啟動”問題。

消費者在線上購物時，因為無法近距離觸摸與體驗商品，所以在下單前，他們往往會參照其他用戶對商品的評價。但是，網(wǎng)絡(luò)評價中經(jīng)常夾雜著各種各樣的水軍評論與垃圾評論，對商品進(jìn)行虛假描述，讓消費者難辨真假。水軍的套路千變?nèi)f化，一時一個樣，確實很難摸透。但是，目前很多探測系統(tǒng)都致力于提升探測垃圾評論的準(zhǔn)確率，而忽略了產(chǎn)生實際影響的高級水軍。

因此，智能推薦與垃圾消息過濾成為當(dāng)今網(wǎng)絡(luò)應(yīng)用的主要研究熱點之一。8月26日、27日連續(xù)兩天，我們有幸邀請到兩位KDD論文作者，分別是來自騰訊微信搜索應(yīng)用部的陸元福同學(xué)和來自伊利諾伊大學(xué)芝加哥分校的在讀博士生竇英通同學(xué)，為大家?guī)碇辈シ窒怼?/strong>

陸元福同學(xué)提出MetaHIN模型，將元學(xué)習(xí)與異質(zhì)信息網(wǎng)絡(luò)相結(jié)合，在數(shù)據(jù)與模型方面雙管齊下，改善冷啟動推薦系統(tǒng)。在數(shù)據(jù)層面，MetaHIN將推薦場景構(gòu)建為異質(zhì)信息網(wǎng)絡(luò)(heterogeneous information network, HIN)，通過高階圖結(jié)構(gòu)建模豐富的語義信息。在模型層面，MetaHIN結(jié)合近年較火的元學(xué)習(xí)（meta-learning），能夠快速適應(yīng)標(biāo)記數(shù)據(jù)稀疏、缺少新用戶與新產(chǎn)品的交互數(shù)據(jù)而衍生的新任務(wù)，從模型上緩解了冷啟動推薦問題。研究表明，MetaHIN模型在許多基準(zhǔn)測試中有出色的表現(xiàn)。

針對網(wǎng)絡(luò)評論中的水軍現(xiàn)象，竇英通同學(xué)應(yīng)用極大極小博弈（minimax game）算法來解決這個問題。在這個算法的設(shè)計中，水軍與水軍探測器相互博弈。博弈分為兩個非獨立的馬爾科夫決策過程（Markov Decision Processes），作者運用強化學(xué)習(xí)中的多臂賭博機（multi-armed bandit）和策略梯度（policy gradient）方法進(jìn)行建模和優(yōu)化。實驗結(jié)果顯示，文中提出的算法能有效檢測危害較大的水軍并降低平臺的損失。

直播一：用于冷啟動推薦的異質(zhì)信息網(wǎng)絡(luò)元學(xué)習(xí)方法

直播時間：8月26日（周三晚）20:00整

分享嘉賓：陸元福

嘉賓簡介：北京郵電大學(xué)計算機學(xué)院碩士，騰訊在職，主要從事算法研究，曾以第一（學(xué)生）作者身份在IEEE TKDE、KDD等權(quán)威期刊會議上發(fā)表多篇學(xué)術(shù)論文，并入選騰訊2019犀牛鳥精英人才培養(yǎng)計劃。      

論文名稱：《Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation》

論文鏈接：https://aminer.cn/pub/5f03f3b611dc830562232019?conf=kdd2020

開源代碼：https://github.com/rootlu/MetaHIN

分享背景：推薦系統(tǒng)旨在預(yù)測用戶對物品的偏好，從而向用戶提供其感興趣的商品，為用戶解決信息過載問題。為了緩解推薦系統(tǒng)中異質(zhì)信息網(wǎng)絡(luò)的“冷啟動”問題，我們提出MetaHIN模型。MetaHIN在模型層面探索了元學(xué)習(xí)的能力，同時在數(shù)據(jù)層面研究了異質(zhì)信息網(wǎng)絡(luò)的表達(dá)能力。在MetaHIN中，我們提出使用多方面的語義上下文來增強每個用戶的任務(wù)，因此設(shè)計了一種新穎的語義增強型任務(wù)構(gòu)建器，用于在元學(xué)習(xí)場景中捕獲異質(zhì)信息網(wǎng)絡(luò)中的語義信息。進(jìn)一步地，我們構(gòu)建了一個協(xié)同適應(yīng)元學(xué)習(xí)器。該學(xué)習(xí)器既具有語義層面的適應(yīng)性，又具有任務(wù)層面的適應(yīng)性。

直播二：欺詐檢測研究現(xiàn)狀以及欺詐者對抗行為建模

直播時間：8月27日（周四晚）20:00整

分享嘉賓：竇英通

嘉賓簡介：伊利諾伊大學(xué)芝加哥分校在讀博士生（四年級），研究方向為圖數(shù)據(jù)挖掘，欺詐檢測與機器學(xué)習(xí)安全。    

論文名稱：《Robust Spammer Detection by Nash Reinforcement Learninmg》

論文地址：https://aminer.cn/pub/5f06ae449e795eee175e15ae?conf=kdd2020

開源代碼：https://github.com/YingtongDou/Nash-Detect

分享背景：羊毛黨、水軍等各種灰黑產(chǎn)在社交網(wǎng)絡(luò)和互聯(lián)網(wǎng)金融中十分常見。本次分享將主要介紹欺詐檢測問題在學(xué)術(shù)界的研究現(xiàn)狀，以及如何將圖神經(jīng)網(wǎng)絡(luò)和強化學(xué)習(xí)應(yīng)用到欺詐檢測問題中。

分享提綱：

1、欺詐檢測問題背景及案例

2、欺詐檢測研究路徑及現(xiàn)狀

3、KDD20：利用博弈論和強化學(xué)習(xí)建模欺詐者的對抗行為

4、SIGIR20&CIKM20：利用圖神經(jīng)網(wǎng)絡(luò)檢測偽裝的欺詐者

5、欺詐檢測相關(guān)資源推薦

      

如何加入？

掃描二維碼進(jìn)直播交流群，進(jìn)群觀看直播和獲取課程資料，與老師直接交流。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。