AI2000讲座观看笔记（十分简略地记一些内容和观点）

视频指路b站： 【孙爱欣教授: 推荐系统研究现状的理解|AI 2000学者专场】

  • 推荐系统重的时间维度可能会被遗失
  • 推荐系统领域中提出新模型的文章很多，但缺乏统一的评测标准
  • 数据集老旧，对推荐模型是否在不断进步产生疑问
  • 介绍了一篇文章，它从数据集、模型、评测三个层面解释了为什么item-KNN是一个很强的baseline（使用了20种模型分别在多个数据集上评测并且有对他们进行调参，最后根据综合平均的效果来得出结论）
  • 介绍了常见的评测方法：时间线、随机、leave-one-out
  • 还介绍了推荐系统中决策过程的动态特性（见下图）
  • 在推荐系统中，数据泄露问题普遍存在，通过实验我们发现时间点对于推荐模型的影响很大，甚至未来的数据也会影响推荐结果（见下图）
  • 推荐模型和任务针对有很大的关系，而且动态性强

  • 用户的决策会受到很多因素的影响，例如长期常规的静态喜好信息、和短期的动态的热点因子，哪个的影响力更大？不同因素之间的相关重要性又有多少？这些基本在不同的任务中考虑的方式都不一样。

  • 很多模型在离线时效果不错但上线就很差，是因为只捕捉到了静态的特征