在復雜多變的網(wǎng)絡環(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用越來越廣泛?；谟脩舻狞c擊、點贊、評論、收藏、轉發(fā)等等瀏覽行為進行建模，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，對商品進行虛假描述，讓消費者難辨真假。水軍的套路千變萬化，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確率，而忽略了產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今網(wǎng)絡應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用部的陸元福同學和來自伊利諾伊大學芝加哥分校的在讀博士生竇英通同學，為大家?guī)碇辈シ窒怼?/strong>

陸元福同學提出MetaHIN模型，將元學習與異質信息網(wǎng)絡相結合，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將推薦場景構建為異質信息網(wǎng)絡(heterogeneous information network, HIN)，通過高階圖結構建模豐富的語義信息。在模型層面，MetaHIN結合近年較火的元學習（meta-learning），能夠快速適應標記數(shù)據(jù)稀疏、缺少新用戶與新產品的交互數(shù)據(jù)而衍生的新任務，從模型上緩解了冷啟動推薦問題。研究表明，MetaHIN模型在許多基準測試中有出色的表現(xiàn)。

針對網(wǎng)絡評論中的水軍現(xiàn)象，竇英通同學應用極大極小博弈（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），作者運用強化學習中的多臂賭博機（multi-armed bandit）和策略梯度（policy gradient）方法進行建模和優(yōu)化。實驗結果顯示，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信息網(wǎng)絡元學習方法

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：北京郵電大學計算機學院碩士，騰訊在職，主要從事算法研究，曾以第一（學生）作者身份在IEEE TKDE、KDD等權威期刊會議上發(fā)表多篇學術論文，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)中異質信息網(wǎng)絡的“冷啟動”問題，我們提出MetaHIN模型。MetaHIN在模型層面探索了元學習的能力，同時在數(shù)據(jù)層面研究了異質信息網(wǎng)絡的表達能力。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，因此設計了一種新穎的語義增強型任務構建器，用于在元學習場景中捕獲異質信息網(wǎng)絡中的語義信息。進一步地，我們構建了一個協(xié)同適應元學習器。該學習器既具有語義層面的適應性，又具有任務層面的適應性。

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，欺詐檢測與機器學習安全。    

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、水軍等各種灰黑產在社交網(wǎng)絡和互聯(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術界的研究現(xiàn)狀，以及如何將圖神經(jīng)網(wǎng)絡和強化學習應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習建模欺詐者的對抗行為

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

5、欺詐檢測相關資源推薦

      

如何加入？

掃描二維碼進直播交流群，進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)授權禁止轉載。詳情見轉載須知。