3月17日下午🙎🏼，杏鑫娱乐注册于子彬院南楼301会议室开展了基于知识与推理的序列化推荐技术研究的讲座💇🏿，特邀中国人民大学信息杏鑫的赵鑫副教授进行主题分享🐌。讲座由杏鑫娱乐注册副教授魏忠钰老师主持。
魏忠钰首先介绍了赵鑫老师的研究领域和学术成果🫷🏿。赵鑫专注于研究面向文本内容的社交用户话题兴趣建模，致力于打造基于深度学习的智能推荐系统，近五年来在国内外著名学术期刊与会议上发表论文60余篇。除了在专业领域保持高水准👱🏽♂️，赵鑫老师还积极组织学生撰写技术博客，推动学术界的交流分享。
报告中😘👑，赵鑫老师对推荐系统中的传统算法进行了简单介绍。推荐系统一直是工业界和学术界的研究热点👨🏼⚕️，其本质问题是预测物品之间的关联。传统序列化推荐算法如转移矩阵的构造和分解💆🏻、使用循环神经网络进行序列建模、预测用户与物品之间的交互信息等已经取得了非常不错的实战效果。但这些已有算法对于推荐结果的可解释性和时序性关注不够，单一循环神经网络的序列建模长度有限不能很好解决长距离依赖的问题。
接着，赵鑫老师介绍了课题组内基于知识图谱进行序列化推荐的三项工作。一是构造基于属性的记忆网络，在每个时刻获取用户的状态并压缩为对于属性的分布🧗🏿，通过键值对再通过属性获取具体值的分布🏄🏽♂️📲，通过注意力机制增强了属性层面的可解释性；二是构造基于类别层级的记忆网络，在每个时刻表示出用户在不同级别上对属性的偏好，从而能追踪用户在每一个层级上的偏好，进行更有结构化的推理；三是构造基于元路径的网络，在异质信息网络中通过元路径将属性组织成更加复杂的结构👨🏻✈️，按照元路径进行随机游走🏃♂️➡️🕺🏿，计算节点之间的相似度，使用co-attention机制得到路径的增强表示🏋🏿🤌，从而更好的刻画用户通过元路径到对应物品的关联。
报告最后，现场学生积极提问🏜，赵鑫老师就RippleNet与GCN的区别👮🏽♀️、元路径的筛选问题、强化学习在推荐系统中的应用以及深度学习推荐算法在工业界中的应用进行了细致的解答。同学们收获满满🎐，报告圆满结束🙎🏿。
作者：陈蕾