地点：北京富力万丽酒店 · 首府宴会厅 3
时间：2019年9月6日 13:30—17:35
随着互联网的发展，人们日渐被爆炸式涌现的信息包围，但无论是信息消费者还是信息生产者，获得感兴趣的内容和精准推广都遇到了很大挑战，而推荐系统就是解决这一矛盾的重要工具。本论坛将邀请数位知名技术构建者，让你更好地了解推荐系统。
朱小强，花名怀人，毕业于清华大学，阿里资深算法专家，现任阿里妈妈深度学习算法平台负责人、兼任定向广告&信息流广告排序技术团队负责人。他主持了三代核心算法架构（大规模、深度端到端、深度实时化）的设计和落地，驱动了深度学习对阿里广告技术的全面变革与创新，领导了阿里开源深度学习框架X-DeepLearning从0到1的自研、从1到开源演进的全过程，在KDD、AAAI、SIGIR等顶级会议上发表过DIN/DIEN/ESMM等多篇有影响力的工业实战论文，是workshop DLP-KDD 2019的发起人和联合主席。
推荐系统是个性化服务时代最为典型的应用技术之一，其技术本质是海量用户与物品的信息配对问题。近些年来，工业级深度学习大规模应用到推荐系统，推动了技术的整体变革升级，取得显著的业务收益。然而，随着技术发展的深入，我们很快触及了深度学习在工业场景应用的天花板：算力突破曾经是引爆深度学习技术的重要推力，今天却成为了新的阻力；深度学习如黑洞一样短短数年时间就吞噬掉了上一代技术体系积累的数据、系统、架构以及算力存量，使得新技术的迭代速度逐步下降。新的挑战下，如何破局，如何进一步释放算力、算法的威力，推动技术的下一步升级？联动算力与算法重新定义新的系统架构，把单点算力通过新的架构放大、进而承载更复杂更实时的计算，这是我们认为的关键解法，我称之为工业级深度学习2.0。本次演讲中我将围绕着co-design的全新方法论，以阿里妈妈的技术演化为样本，介绍工业级深度学习2.0的理念思考与具体实践。
电子商务中的推荐系统通过推荐最符合其需求和偏好的项目来帮助用户完成信息搜索任务。 个性化推荐系统已经在商业应用中表现出了巨大的成功，例如 亚马逊，eBay，淘宝等。在本次演讲中，我将首先介绍电子商务推荐系统的设计，然后对推荐系统中存在的研究问题逐个展开，包括候选检索，用户行为理解，以及 推荐排名等等。 最后，我将讨论商业推荐系统中对这些问题的最新进展和潜在解决方案。
快手短视频应用拥有2亿日活和日均千万级视频上传的世界级业务规模。 如何在此庞大的业务规模下设计具有高扩展性的推荐系统是一个巨大挑战。 本次演讲主要介绍短视频推荐系统的架构设计经验，讨论如何结合系统、算法和硬件统一设计来最大化推荐系统的效率。
推荐系统在人们的日常生活中随处可见，是不可或缺的一部分。深度学习，在大数据时代，做为主流的机器学习模型之一，在图像和语音识别领域取得了突破性的进展。强化学习，在机器人控制和游戏博弈场景下，取得了长足的进步。AutoML，在计算视觉中的图像分类问题中，自动设计出各种新颖的神经网络，不断刷新各类竞赛的精度上限。 将这三类技术应用于推荐系统，会带来如何的效果，这是一个非常有趣且值得研究的课题。在这次演讲中，我将首先向大家简单的介绍推荐系统、其在华为内部的一些应用场景；然后我会向大家科普学术界和工业界中一些比较流行的用于推荐系统的深度学习、强化学习模型和AutoML技术；同时，我会向大家展示诺亚方舟实验室研究出的学术成果以及其在推荐系统中的落地应用情况。演讲大纲：一、推荐系统在华为内部的应用场景。二、学术界和工业界推荐系统中的深度学习、强化学习模型和AutoML技术。三、诺亚方舟实验室研究出的学术成果以及其在推荐系统中的落地应用。
扫码回复：大会，加入大会福利群