直播報(bào)名丨網(wǎng)絡(luò)“垃圾”太煩？?jī)纱驛I算法護(hù)你購物無憂 【KDD 2020】

在復(fù)雜多變的網(wǎng)絡(luò)環(huán)境中，如何優(yōu)化消費(fèi)者的線上購物體驗(yàn)，是所有電商從業(yè)者的焦點(diǎn)之一。想象一下：如果用戶瀏覽手機(jī)或網(wǎng)頁時(shí)，時(shí)間有限，但垃圾信息與虛假資訊鋪天蓋地、障人眼目，用戶的心情是輕松、愉快，或不耐煩、暴躁？

“智能推薦”或“個(gè)性化推薦”在線上購物、廣告瀏覽與資訊傳播等場(chǎng)景中的應(yīng)用越來越廣泛。基于用戶的點(diǎn)擊、點(diǎn)贊、評(píng)論、收藏、轉(zhuǎn)發(fā)等等瀏覽行為進(jìn)行建模，是算法推薦的常見操作。然而，推薦系統(tǒng)也會(huì)因?yàn)槿鄙儆脩舻氖褂脭?shù)據(jù)（如用戶第一次登錄某網(wǎng)頁）面臨尷尬的“冷啟動(dòng)”問題。

消費(fèi)者在線上購物時(shí)，因?yàn)闊o法近距離觸摸與體驗(yàn)商品，所以在下單前，他們往往會(huì)參照其他用戶對(duì)商品的評(píng)價(jià)。但是，網(wǎng)絡(luò)評(píng)價(jià)中經(jīng)常夾雜著各種各樣的水軍評(píng)論與垃圾評(píng)論，對(duì)商品進(jìn)行虛假描述，讓消費(fèi)者難辨真假。水軍的套路千變?nèi)f化，一時(shí)一個(gè)樣，確實(shí)很難摸透。但是，目前很多探測(cè)系統(tǒng)都致力于提升探測(cè)垃圾評(píng)論的準(zhǔn)確率，而忽略了產(chǎn)生實(shí)際影響的高級(jí)水軍。

因此，智能推薦與垃圾消息過濾成為當(dāng)今網(wǎng)絡(luò)應(yīng)用的主要研究熱點(diǎn)之一。8月26日、27日連續(xù)兩天，我們有幸邀請(qǐng)到兩位KDD論文作者，分別是來自騰訊微信搜索應(yīng)用部的陸元福同學(xué)和來自伊利諾伊大學(xué)芝加哥分校的在讀博士生竇英通同學(xué)，為大家?guī)碇辈シ窒怼?/strong>

陸元福同學(xué)提出MetaHIN模型，將元學(xué)習(xí)與異質(zhì)信息網(wǎng)絡(luò)相結(jié)合，在數(shù)據(jù)與模型方面雙管齊下，改善冷啟動(dòng)推薦系統(tǒng)。在數(shù)據(jù)層面，MetaHIN將推薦場(chǎng)景構(gòu)建為異質(zhì)信息網(wǎng)絡(luò)(heterogeneous information network, HIN)，通過高階圖結(jié)構(gòu)建模豐富的語義信息。在模型層面，MetaHIN結(jié)合近年較火的元學(xué)習(xí)（meta-learning），能夠快速適應(yīng)標(biāo)記數(shù)據(jù)稀疏、缺少新用戶與新產(chǎn)品的交互數(shù)據(jù)而衍生的新任務(wù)，從模型上緩解了冷啟動(dòng)推薦問題。研究表明，MetaHIN模型在許多基準(zhǔn)測(cè)試中有出色的表現(xiàn)。

針對(duì)網(wǎng)絡(luò)評(píng)論中的水軍現(xiàn)象，竇英通同學(xué)應(yīng)用極大極小博弈（minimax game）算法來解決這個(gè)問題。在這個(gè)算法的設(shè)計(jì)中，水軍與水軍探測(cè)器相互博弈。博弈分為兩個(gè)非獨(dú)立的馬爾科夫決策過程（Markov Decision Processes），作者運(yùn)用強(qiáng)化學(xué)習(xí)中的多臂賭博機(jī)（multi-armed bandit）和策略梯度（policy gradient）方法進(jìn)行建模和優(yōu)化。實(shí)驗(yàn)結(jié)果顯示，文中提出的算法能有效檢測(cè)危害較大的水軍并降低平臺(tái)的損失。

直播一：用于冷啟動(dòng)推薦的異質(zhì)信息網(wǎng)絡(luò)元學(xué)習(xí)方法

直播時(shí)間：8月26日（周三晚）20:00整

分享嘉賓：陸元福

嘉賓簡(jiǎn)介：北京郵電大學(xué)計(jì)算機(jī)學(xué)院碩士，騰訊在職，主要從事算法研究，曾以第一（學(xué)生）作者身份在IEEE TKDE、KDD等權(quán)威期刊會(huì)議上發(fā)表多篇學(xué)術(shù)論文，并入選騰訊2019犀牛鳥精英人才培養(yǎng)計(jì)劃。      

論文名稱：《Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation》

論文鏈接：https://aminer.cn/pub/5f03f3b611dc830562232019?conf=kdd2020

開源代碼：https://github.com/rootlu/MetaHIN

分享背景：推薦系統(tǒng)旨在預(yù)測(cè)用戶對(duì)物品的偏好，從而向用戶提供其感興趣的商品，為用戶解決信息過載問題。為了緩解推薦系統(tǒng)中異質(zhì)信息網(wǎng)絡(luò)的“冷啟動(dòng)”問題，我們提出MetaHIN模型。MetaHIN在模型層面探索了元學(xué)習(xí)的能力，同時(shí)在數(shù)據(jù)層面研究了異質(zhì)信息網(wǎng)絡(luò)的表達(dá)能力。在MetaHIN中，我們提出使用多方面的語義上下文來增強(qiáng)每個(gè)用戶的任務(wù)，因此設(shè)計(jì)了一種新穎的語義增強(qiáng)型任務(wù)構(gòu)建器，用于在元學(xué)習(xí)場(chǎng)景中捕獲異質(zhì)信息網(wǎng)絡(luò)中的語義信息。進(jìn)一步地，我們構(gòu)建了一個(gè)協(xié)同適應(yīng)元學(xué)習(xí)器。該學(xué)習(xí)器既具有語義層面的適應(yīng)性，又具有任務(wù)層面的適應(yīng)性。

直播二：欺詐檢測(cè)研究現(xiàn)狀以及欺詐者對(duì)抗行為建模

直播時(shí)間：8月27日（周四晚）20:00整

分享嘉賓：竇英通

嘉賓簡(jiǎn)介：伊利諾伊大學(xué)芝加哥分校在讀博士生（四年級(jí)），研究方向?yàn)閳D數(shù)據(jù)挖掘，欺詐檢測(cè)與機(jī)器學(xué)習(xí)安全。    

論文名稱：《Robust Spammer Detection by Nash Reinforcement Learninmg》

論文地址：https://aminer.cn/pub/5f06ae449e795eee175e15ae?conf=kdd2020

開源代碼：https://github.com/YingtongDou/Nash-Detect

分享背景：羊毛黨、水軍等各種灰黑產(chǎn)在社交網(wǎng)絡(luò)和互聯(lián)網(wǎng)金融中十分常見。本次分享將主要介紹欺詐檢測(cè)問題在學(xué)術(shù)界的研究現(xiàn)狀，以及如何將圖神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)應(yīng)用到欺詐檢測(cè)問題中。

分享提綱：

1、欺詐檢測(cè)問題背景及案例

2、欺詐檢測(cè)研究路徑及現(xiàn)狀

3、KDD20：利用博弈論和強(qiáng)化學(xué)習(xí)建模欺詐者的對(duì)抗行為

4、SIGIR20&CIKM20：利用圖神經(jīng)網(wǎng)絡(luò)檢測(cè)偽裝的欺詐者

5、欺詐檢測(cè)相關(guān)資源推薦

      

如何加入？

掃描二維碼進(jìn)直播交流群，進(jìn)群觀看直播和獲取課程資料，與老師直接交流。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。