第 26 屆 ACM SIGKDD 知識發(fā)現和數據挖掘會議（KDD 2020）已于太平洋標準時間 8 月 23 日 － 27 日以虛擬線上方式召開。今年 KDD 收集了 338 篇論文（研究和應用軌道），34 個研討會，45 個教程（講座和實踐），使其成為計算機科學中最大的應用研究會議之一。
在繼時間檢驗獎，新星獎，創(chuàng)新獎，論文獎，服務獎等獎項公布之后，最佳論文獎也已出爐，其中最佳論文獎由谷歌研究院的 Walid Krichene 和 Steffen Rendle 摘得，最佳學生論文獎由杜克大學的 Ang Li、Huanrui Yang、陳怡然和北航段逸驍、楊建磊獲得。
最佳論文獎
最佳論文獎由來自谷歌研究院的 Walid Krichene 和 Steffen Rendle 獲得，獲獎題目為《On Sampled Metrics for Item Recommendation》
簡介：項目推薦的任務需要在給定上下文的情況下對大量的項目進行排序。項目推薦算法是使用依賴于相關項目位置的排名指標來評估的。為了加速度量的計算，最近的工作經常使用抽樣的度量，其中只有一組較小的隨機項和相關項被排序。
本文對抽樣指標進行了更詳細的研究，發(fā)現它們與精確的度量值不一致，因為它們沒有保留相關的語句，例如，說推薦者 A 優(yōu)于 B 時甚至連期望值也沒有。而且，抽樣規(guī)模越小，指標之間的差異就越小，另外對于非常小的抽樣規(guī)模，所有指標都會坍縮為 AUC 度量。
作者證明了通過應用一個修正項來提高抽樣指標的性能是可行的：通過最小化不同的標準，如偏差或均方誤差。最后，對原始抽樣指標及其修正變量進行了實證評估。綜上所述，作者建議在度量計算中應避免抽樣，但是如果實驗研究需要抽樣，那么作者所提出的修正項可以提高估計的質量。
Walid Krichene
Walid Krichene 是谷歌研究所激光小組的成員，從事機器學習和推薦。他還致力于開發(fā)使用連續(xù)時間和隨機動力學的優(yōu)化方法。他也是 Google 開源 ML 課程推薦系統(tǒng)課程的合著者，在 ML＠ 資本。
Steffen Rendle
Steffen rendle 是谷歌的一位研究科學家。在此之前，他是德國康斯坦茨大學的助理教授。Steffen 的研究興趣是使用因子分解模型進行大規(guī)模機器學習。他的研究獲得了 2010 年 WWW 網站的最佳論文獎和 WSDM 2010 年的最佳學生論文獎。Steffen 將他的研究應用于各種機器學習競賽，在 2009 年和 2013 年的 ECML 發(fā)現挑戰(zhàn)賽中獲獎。
123下一頁>（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
