如果说互联网的目标就是连接一切，那么推荐系统的作用就是建立更加有效率的连接，节约大量用户与内容和服务连接的时间和成本。
但很多研究者对这个方向的吐槽都是，学界和业界脱钩非常严重，很大程度上是工业界关心的问题可能学界并不了解，或者知道但是没法做，只能在公开数据集刷SOTA。
但这并不妨碍推荐系统是个好的研究方向，研究人与人之间的互动永远都不会过时。
如果把推荐系统简单拆开来看，推荐系统主要是由数据、算法、架构三个方面组成。
数据提供了信息，包括用户与内容的属性，用户的行为偏好等等。这些数据特征非常关键，甚至可以说它们决定了一个算法的上限。架构解放了双手，架构保证整个推荐自动化、实时性的运行。一个推荐系统的实时性要求越高、访问量越大，那么这个推荐系统的架构会越复杂。
而算法则提供了逻辑。数据通过不断的积累，存储了巨量的信息。在巨大的数据量与数据维度下，人已经无法通过人工策略进行分析干预，因此需要基于一套复杂的信息处理逻辑，基于大量的数据学习返回推荐的内容或服务。
2月14日，我们邀请在深度学习，推荐算法领域有深厚科研经验的Mark老师，为大家梳理推荐系统用户兴趣建模研究方向进展。Mark老师已经以第一作者身份发表SCI论文二十余篇，并担任多个期刊审稿人，并将在公开课上为大家梳理推荐算法当下研究热点，帮大家寻找论文idea和创新点。
公开课详情↓
扫码预约推荐系统公开课
领取2023最新顶会推荐系统论文合集
推荐算法其实本质上是一种信息处理逻辑，当获取了用户与内容的信息之后，按照一定的逻辑处理信息后，产生推荐结果。热度排行榜就是最简单的一种推荐方法，它依赖的逻辑就是当一个内容被大多数用户喜欢，那大概率其他用户也会喜欢。推荐算法主要分为以下几步：召回，过滤，精排，混排，强规则。
2016年谷歌发表的Wide&Deep模型与YouTube深度学习推荐模型，引领推荐算法走向了对深度学习的应用。相比传统机器学习推荐模型，深度学习具有更加复杂的模型结构，而使其具备了理论上拟合任何函数的能力。同时深度学习的结构灵活性可以让其模拟出用户兴趣的变迁过程。
推荐算法变化趋势
近些年，随着深度学习理论，GPU和CPU等计算机硬件，TensorFlow、Caffe、PyTorch等算法平台的发展，深度学习算法在个性化推荐、计算机视觉、自然语言处理、语音识别等领域大放光彩。其本质上是对数据特征进行深层次的抽象挖掘，通过大规模数据来学习有效的特征表示以及复杂映射机制，从而建立起有效的数据模型。
扫码预约推荐系统公开课
领取2023最新顶会推荐系统论文合集
要高效做科研，掌握方法、合理利用自身可用资源很关键！结合身边学弟学妹以及自己的科研成长经历，发现大家普遍缺乏系统的科研知识体系，很难写出一篇合格的文章。更别提发现好的创新点和idea了！
做科研发论文从结果上，其实可以分为以下三类：
发现一个新方法，并将其运用在一个已知的问题之上（老问题新方法）
发现一个新问题，并将一个已知的研究拓展到这个问题之上（新问题老方法）
发现一个新问题，并且提出一个新方法用以对其进行分析研究（新问题新方法）
以难以程度来考量的话，新问题老方法＜老问题新方法＜新问题新方法。
所以，大家都头疼的创新点和idea，其实也有方法论，掌握了之后，就会比较容易找到一个idea～
想“idea”，有两宝——模型+算法
模型，可以理解成system model中的部分，可以是现有问题模型的拓展延伸，其实，这就叫创新，只要你做的是别人还没研究或者研究很少的，就已经可以算创新了。
当你提出了一个模型，就要选择一个合适的算法来解决模型中的问题。可以是寻找合适的算法根据自己的场景合理地进行改进，就已经是一个很棒的想法了。
扫码免费预约顶会大佬直播课
限前一百名粉丝
文末领福利
作为日常为了论文而忙碌的科研人，小编知道大家一定很需要一些资料。因此，小编精心整理了一份超过1T的AI顶会论文大礼包！包含最新顶会论文、书籍等资料，以及英文论文写作指导保姆级资料，从文献阅读到论文写作，全部帮你整理好~
扫码免费领课程资料↑