KDD China 2019
2019 KDD China于2019年01月12日在深圳大学主办一场人工智能前沿技术峰会，我也报名参加啦~这是现场会议回忆笔记。
周志华——机器学习的挑战
非神经网络的深度模型——深度森林
唐杰：网络表示学习理论与应用
Node2Vec、DeepWalk
Pearl Pu: How eople Perceive AI - Trust and Explanation
算法的可解释性
杨强: 迁移学习和联邦学习
数据孤岛：分割的数据，不同业务部门、不同企业之间数据不连通
迁移学习：有大量的数据但是无标签的数据集A，有少量数据但是有标签的数据集B。在B上训练模型，迁移到A上
联邦学习：建立数据联盟，进行商业赋能。
李航: Building GlobalContent Platform Using AI Technologies
李航博士现任字节跳动公司人工智能实验室总监，主要介绍了字节跳动公司的工作，AI在字节跳动公司主要有三个商业目标：
- 内容分发(信息流-今日头条，短视频-抖音 内容推荐)
- 内容审核(鉴黄，标题党识别)
- 内容创造(为广告主自动生成候选广告语、美颜P图、把跳舞美女的腿拉长、抖音变脸游戏、跳舞机)
AI很强大，总之不要沉迷于抖音里的美女
Fausto Giunchiglia: Large Scale Privacy Preserving Data Integration
王文博: 多媒动态内容消费流信息的分析及应用：弹幕与在线视频赏析
王文博教授的演讲最轻松了，比较接地气，集中了全场的幽默笑点。介绍了他们在弹幕方面的工作，通过弹幕理解视频内容，预测剧情发展，节目画像，在合理时机插入广告语
谢幸: 个性化推荐系统的未来
首先回顾了推荐系统的历史和其中的经典模型
介绍了几项MSRA的工作，
开源项目DeepRec：
深度学习(xDeepFM)做推荐(缺点-计算量挺大的)
知识图谱做推荐(RippleNek: 抽取实体关系建立无向有环图，根据领域关系把几跳范围之内的属性加入系统(类似波纹Ripple传播一圈一圈扩散)，实现推荐的多样性、解决冷启动、实现数据增广)
可解释性的推荐
现场提问环节：
有资深教授提问，许多学者在申请国基的时候需要填写自己最具有代表性的5篇工作，论文太多了填这些材料也很头疼，能否做一个工作自动根据关键字、作者、时间自动推荐代表作？
我觉得这完全可以用监督学习来做，学者网可以将这个作为一个研究点。
王孝宇: Data Mining：Online to Offline
圆桌讨论
自由提问环节，
- 首先观众提问了一个关于小数据的处理问题，大牛们纷纷给出了自己的见解。
观点一：Transfer Learning
观点二：从问题角度，小数据未必要用机器学习，专家系统，人肉解决
观点三： 引入额外数据，知识图谱，预训练 - 模型训练超参数如何确定？(AutoML) 正负样本比例悬殊？(采样问题)
- 测试集的特征与训练集特征不同或产生了变化怎么办？
尽量保证你的训练集和测试集特征一致不要产生变化
。。。
感悟：茶歇的抹茶千层真的好吃:)今年的研究热点在迁移学习、预训练BERT、强化学习、知识图谱、算法可解释性、深度图网络，这些是峰会高频词。
在会场偶遇师妹，附参会纪念照：
