 |
|
登录注册 |
| ☦ 上海交通大学论坛 > 就业招聘 > 浏览当前帖子 | 手机版 关闭左侧栏 |
| CIKM2019 E-Commerce AI Challenge双赛道正式开赛 |
| 【返回本版】 【发表帖子】 【回复帖子】 | 浏览量 1014 回帖数 3 |
 |
51campus 等级 ★ 楼主 发表于 2019/7/15 13:58:55 编 辑 |
|
|
CIKM2019 E-Commerce AI Challenge双赛道正式开赛， 电商核心业务场景实战，5万美金等你来挑战！ 第28届ACM International Conference on Information and Knowledge Management (CIKM) 即将于2019年11月3日-11月7日在中国北京举办，本届CIKM主题为“AI for Future Life”。同时，阿里巴巴作为本届CIKM会议的合作方之一，今年也将推出经典系列赛事。7月5日起，CIKM 2019 E-Commerce AI Challenge已正式开赛，本届赛事将聚焦电商核心业务场景问题，阿里巴巴达摩院、搜索推荐事业部及阿里妈妈联袂推出双赛道，分别为电商场景中的用户行为预测，及超大规模推荐之用户兴趣高效检索。 赛道1：用户行为预测 在电商场景中，推荐系统作为电商核心功能之一，对用户体验的提升有重要作用。预测用户的兴趣，为其做出合理的推荐是工业界与学术界长久以来研究的课题。经典方法包括基于内容的推荐、协同过滤等，一定程度上完成了推荐系统的任务。近年来，随着图神经网络研究的兴起，基于深度学习的GNN(Graph Neural Network)在推荐领域也逐渐称为研究热点。电商场景中， 用户，商品，以及两者之间的行为可以用一张二部图来表示。预测用户未来的行为， 转化为预测二部图中用户-商品边的概率，有更好的可解释性、可推理性。 赛道2：超大规模推荐之用户兴趣高效检索 近年来，学术界和工业界都在如何提升推荐系统中的用户兴趣预估精度方向上进行了很多的工作。然而，大规模的推荐系统由于受到了响应时间的约束，必须在模型的精度和复杂度上做出权衡。一个典型的大规模电商推荐系统，往往需要在很短的时间内，从千万甚至亿级别的商品库中为用户挑选出其最可能感兴趣的k个商品。对于这样规模的问题而言，使用兴趣预估模型来逐一地预测每个“用户-商品”对的兴趣度，再挑选出最靠前的商品的模式，由于计算效率太低而难以在实际系统中应用。本次竞赛将聚焦在解决大规模推荐中用户兴趣检索的问题上，即，如何在避免穷举计算的情况下，高效地从全量商品库中精确地检索到用户最感兴趣的商品。 赛道2报名直达地址： 本次大赛的具体安排如下： 报名：即日起 – 2019年8月22日 初赛：2019年7月5日 – 2019年8月15日 复赛：2019年8月22日 – 2019年9月25日 决赛：2019年11月 奖项设置： 冠军： 赛道1：1支队伍，奖金10,000美金； 赛道2：1支队伍，奖金10,000美金； 亚军： 赛道1：2支队伍，每支队伍奖金5,000美金； 赛道2：2支队伍，每支队伍奖金5,000美金； 季军： 赛道1：2支队伍，每支队伍奖金2,500美金； 赛道2：2支队伍，每支队伍奖金2,500美金； *每个赛道的TOP5队伍将获得相应的差旅赞助，前往参加11月举办的CIKM主会，并在现场进行颁奖典礼，详情请参考各赛道的赛制说明。 赛题活动页地址： https://dwz.cn/RWN2LK4N 赛道报名直达地址： 赛道1: 用户行为预测 https://dwz.cn/U2cm3wwW 赛道2: 超大规模推荐之用户兴趣高效检索 https://dwz.cn/0hmWADpZ |
||
|
51campus 等级 ★ 2 楼 发表于 2019/7/22 10:44:09 编 辑 |
|
|
本次大赛的具体安排如下： 报名：即日起 – 2019年8月22日 初赛：2019年7月5日 – 2019年8月15日 复赛：2019年8月22日 – 2019年9月25日 决赛：2019年11月 |
||
|
51campus 等级 ★ 3 楼 发表于 2019/7/29 10:59:10 编 辑 |
|
|
赛道2：超大规模推荐之用户兴趣高效检索 近年来，学术界和工业界都在如何提升推荐系统中的用户兴趣预估精度方向上进行了很多的工作。然而，大规模的推荐系统由于受到了响应时间的约束，必须在模型的精度和复杂度上做出权衡。一个典型的大规模电商推荐系统，往往需要在很短的时间内，从千万甚至亿级别的商品库中为用户挑选出其最可能感兴趣的k个商品。对于这样规模的问题而言，使用兴趣预估模型来逐一地预测每个“用户-商品”对的兴趣度，再挑选出最靠前的商品的模式，由于计算效率太低而难以在实际系统中应用。本次竞赛将聚焦在解决大规模推荐中用户兴趣检索的问题上，即，如何在避免穷举计算的情况下，高效地从全量商品库中精确地检索到用户最感兴趣的商品。 |
||
|
51campus 等级 ★ 4 楼 发表于 2019/8/5 12:03:05 编 辑 |
|
|
赛道1：用户行为预测 在电商场景中，推荐系统作为电商核心功能之一，对用户体验的提升有重要作用。预测用户的兴趣，为其做出合理的推荐是工业界与学术界长久以来研究的课题。经典方法包括基于内容的推荐、协同过滤等，一定程度上完成了推荐系统的任务。近年来，随着图神经网络研究的兴起，基于深度学习的GNN(Graph Neural Network)在推荐领域也逐渐称为研究热点。电商场景中， 用户，商品，以及两者之间的行为可以用一张二部图来表示。预测用户未来的行为， 转化为预测二部图中用户-商品边的概率，有更好的可解释性、可推理性。 |
||
| 1 |
| 论坛帮助 会员认证删帖申请 联系我们 |