第四届在线推荐系统与用户建模研讨会——ORSUM 2021 会议录
信息检索
2022-01-19 v2 人工智能
机器学习
摘要
现代在线服务以极快的速度持续生成数据。这种持续的数据流不仅包含内容（如帖子、新闻、产品、评论），还包含用户反馈（如评分、浏览、阅读、点击），以及上下文数据（用户设备、空间或时间数据、用户任务或活动、天气）。鉴于内容、上下文以及用户偏好或意图的持续且可能快速的变化，这对于设计为批量训练的系统和算法而言可能是难以应对的。因此，研究能够透明地适应在线服务内在动态的在线方法非常重要。增量模型从数据流中学习，因其具备处理动态、复杂环境中生成的连续数据流的天然能力，正日益受到推荐系统社区的关注。用户建模和个性化尤其能从能够增量且在线维护模型的算法中获益。本次研讨会的目标是促进相关贡献，并将对用户建模、推荐和个性化的在线自适应方法及其在评估、可复现性、隐私和可解释性等多维度影响感兴趣的日益壮大的研究人员和从业者社区聚集在一起。
引用
@article{arxiv.2201.05156,
title = {Proceedings of the 4th Workshop on Online Recommender Systems and User Modeling -- ORSUM 2021},
author = {João Vinagre and Alípio Mário Jorge and Marie Al-Ghossein and Albert Bifet},
journal= {arXiv preprint arXiv:2201.05156},
year = {2022}
}