优酷每天为上亿用户推荐上亿的视频。一大挑战是机器学习模型如何更好的描述与捕捉用户的兴趣。相比电商、新闻等领域用户对于视频内容的兴趣要更为复杂、感性、微妙、纬度多样，用户的兴趣也会逐渐演进、变化、细分，对于惊喜度（serendipity）与多样性（diversity）的要求也更高。用户的行为数据稀疏、分布偏差大、时域上分布规律也复杂多样。

我们将介绍优酷对于以上各种技术挑战的思考，实际尝试和采用的，如CUR、HIN、GRU等各种方法，包括对于模型如何更好描述与建模用户兴趣，在特征工程、样本采样、目标损失函数抽象、模型融合等方面的经验。

相关性反馈是信息检索中的常用技术。我们将相关性反馈应用在大规模推荐系统中。不但极大提高了推荐系统的效率，而且可以实现对不同推荐算法的自然整合。我们将介绍在Tumblr主要产品中实现这一技术所遇到的挑战和具体的实现，以及部署后的效果。

提纲：

1. 相关性反馈
2. Tumblr 推荐系统架构
3. 多个推荐算法的整合
4. 实时用户反馈和算法优化 
5. 数据稀疏性问题
6. A/B Testing 和效果

听众受益：

1. 怎么利用用户数据实时提高推荐系统效率
2. 怎么克服数据稀疏性问题
3. 怎么整合不同推荐算法和系统

内容消费是一个生态系统，从内容生产到内容质量控制再到内容分发，三个部分环环相扣。本次演讲会重点介绍利用人工智能技术辅助内容生产、提升内容质量和进行精准内容分发。

内容生产方面，介绍利用自然语言处理、图像和视频处理的技术辅助作者生产优质内容，以及智能写作技术；内容质量方面，构建全方位的内容质量理解框架，提升内容质量；内容分发方面，从内容理解、用户理解和推荐策略几个方面介绍如何构建一个精准的内容分发系统，以及深度学习技术在推荐系统中的应用。

演讲提纲

• 内容消费的行业现状；
• 人工智能辅助内容生产；
• 内容质量控制模型；
• 大规模信息推荐系统。

听众受益

• 对内容消费的全流程有全面的认识；
• 对人工智能在内容生产和分发中的应用的可行性有比较深刻的理解。

UberEats是Uber最重要的产品之一，UberEats Discovery团队主要负责为每位Eater提供最精准省力的餐点选择体验。演讲讲主要包括餐点推荐与排序、个性化投放与推荐、搜索、知识图谱等。

演讲提纲

• UberEats Overview
• Personalized ranking and recommendation
• Ranking
• Personalization
• Holistic Optimization
• Search
• Knowledge Graph

听众受益

• Learn recommendation, optimization methodologies and industry experience from real business use case to improve user experience.