基于时间上下文的实时推荐系统研究

某机构研究人员在KDD 2020荣获最佳论文奖

本周在（线上）举行的计算机协会知识发现与数据挖掘会议（KDD）上，来自某机构网络服务公司的研究团队荣获了会议应用数据科学赛道的最佳论文奖。

获奖论文为《基于时间上下文的实时推荐系统》（Temporal-contextual recommendation in real-time），作者为机器学习科学家马逸飞、资深机器学习科学家Murali Narayanaswamy、应用科学家林海彬和应用科学家丁浩。

该论文中描述的技术是某机构个性化推荐服务的核心算法之一，该服务被StockX、Domino's和PulseLive等公司所采用。

马逸飞表示：“个性化推荐有助于发掘长尾效应中那些不太为人熟知的商品。本文探讨了构建一个黑盒推荐系统所面临的挑战，该系统无需机器学习专家的监督，能够自我适应任何类型的数据集。”

传统的推荐系统通常基于两个因素：顾客之间的相似性（基于购买历史）和产品之间的相似性。但这种方法可能会忽略用户偏好随时间发生的变化——例如，当某个特定品类推出新产品时。

该论文的研究使推荐系统能够利用购买发生的顺序以及购买之间的时间间隔信息。通过为将时间因素与更稳定的因素（如不同产品品类之间的普遍联系）赋予不同权重提供理论基础，该论文还提出了一种解决“冷启动”问题（即为购买历史稀疏的顾客提供推荐）的系统性方法。

此外，该论文还提供了采样技术，使得这种方法能够准确、高效地推广到拥有数百万条目的产品目录中。FINISHED