摘要：随着电子商务和在线服务越来越普及，海量在线资源很多时候多到让用户无从选择，因此推荐系统的质量变得至关重要。传统的线性回归方法在很多系统里应用广泛，只不过，随着深度神经网络在图像视觉领域的突破，很多研究人员开始利用神经网络搭建深度推荐系统，推荐质量显著超越传统基于线性回归系统，同时也简化了以往搭建推荐系统所需专家知识(domain knowledge)。

深度推荐系统被广泛应用于Google多项面向用户的产品，一次又一次的突破质量瓶颈。此次演讲会由浅入深探讨如何构建基于深度学习的推荐系统，并讨论最新的技术发展。

演讲提纲

1. 回顾传统的线性回归方法
2. 探讨利用深度学习的优势
3. 信号类别

• 场景信号(context signal)：当前场景相关的信息
• 用户信号(user feature, user signal)：用户特征，用户历史信息，
• 物件信号(item signal, item features)：排序模型物件的特征

4. 两步定制化推荐

• 深度挖掘，生成候选人列表(deep retrieval, candidate generation)
• 混合人工生成的候选人，最终排序(ranking)

5. 模型训练模式

• 离线，根据系统日志 （适用于大系统，海量用户）
• 在线，强化学习（小量用户，快速迭代）

6. user vector， item vector （swivel model）

• 预生成的用户向量降低推断延时
• 超大规模物件向量的学习（稀疏问题）

7. 损失函数的构造(loss function)

听众受益

通过Zou老师在Google搭建深度推荐系统的宝贵经验，参会者能够了解深度推荐系统的基本元素和系统框架。同时讲师也将探讨最新的发展方向，希望能启发参会者发展出更好的系统。

经过几年的发展，美团外卖的日订单早已突破千万单。业务成长到一定阶段后，进行商业变现是一个常见的问题。如何针对业务定制一套合适的智能算法，是其核心问题。外卖属于交易闭环，相比于传统广告只考虑单位流量收入，还需要考虑用户体验、商户投入产出比等方面。传统机器学习解决以上问题，会遇到长期受益较难建模、商品易重复、用户兴趣变化捕捉较难等问题。针对以上痛点，我们尝试了强化学习方法，并取得了一些正向业务收益。

演讲提纲：

1. 外卖业务的介绍；
2. 优化目标的选择；
3. 技术方案的选择；
4. 强化学习的落地；
   • 用户体验建模；
   • 动态调参；
5. 未来规划；

听众受益点：

1. 了解外卖业务特点；
2. 了解传统机器学习的优缺点；
3. 了解强化学习的常见算法及如何进行业务落地；

电商广告环境下，受到广告主预算耗竭的影响，即使变现速率（流量和变现效率）翻倍，广告消耗提升也会小于1倍，业界对于这种分析往往停留在定性分析，我们对这个问题做了定量的分析和研究；

搜索广告系统是一个三方博弈的过程，其参与方包括网站访问者、卖家（广告提供商）和平台。作为平台方，我们要权衡三方的利益，同时满足搜索体验、卖家ROI和平台的变现能力。我们主要探索搜索广告中RPM最大化的理论和实践，提出了一种新的离线模型评估指标SAUC（Soft AUC），并在实际项目应用中取得显著的业务结果。

无论是搜索还是电商网站，在用户搜索、浏览的过程中，网站会提供自然搜索(推荐)结果和广告搜索(推荐)结果。自然结果主要满足用户的浏览需求，而广告则主要负责为平台带来不菲的广告收入。而互联网发展到现今，广告平台已经成为电商(搜索)生态体系下的重要组成部分。我们借助运筹学，将广告展现个数问题定义成一个线性规划问题，并且提出一套目标可扩展、简单易实现的online算法来解决该问题。该算法已经在alibaba.com上线，并且取得显著效果。

演讲提纲：

1、预算约束下的广告消耗预估研究

• 衡量“变现速率”的指标——RPS（Revenue Per Seconds）
• 广告业务现状分析刻画
• 未来消耗情况预测

2、搜索广告中RPM最大化的理论和实践探索

• 搜索广告中RPM最大化的理论和实践
• 离线模型评估指标SAUC（Soft AUC）
• 业务结果展示

3、基于动态广告位的全页面优化《The whole page optimization via dynamic ad allocation》；

听众受益点：

1. 了解变现速率提升与整体消耗提升之间的定量分析；
2. 了解到一种比AUC更优的契合搜索广告场景下的离线CTR评估指标；
3. 了解动态广告算法（《The whole page optimization via dynamic ad allocation》）如何实习转化和营收的多目标优化。