学院新闻

近日，高瓴人工智能学院师生4篇论文被CCFA类会议TheWebConf录用。2021年国际万维网大会The Web Conference（旧称WWW）将于2021年4月19日-23日线上召开。TheWebConf是中国计算机学会（CCF）推荐的A类国际学术会议，是互联网技术领域最重要的国际会议之一，由国际万维网会议委员会（IW3C2）和主办地地方团队合作组织，每年召开一次，今年是第30届会议。本次会议共接收1736篇提交长文，最终录用357篇，录用率为20.6%。

论文介绍

论文题目：A Novel Macro-Micro Fusion Network for User Representation Learningon Mobile Apps

作者：卞书青，赵鑫，周昆，陈旭，蔡晶，何晏成，罗鑫骥，文继荣

通讯作者：赵鑫

论文概述：本文主要研究基于移动App场景下用户表示的建模，借助于移动App的生态系统，主要研究利用宏观交互数据（User-App）和微观交互数据（User-Item）研究用户表示学习。通过结合两种不同粒度的用户数据，可以在移动互联网场景下获得更丰富，更鲁棒的用户表示。为了有效地融合宏观和微观视角中的信息，我们提出了一种新颖的宏观-微观融合网络，用于在移动App上进行用户表示学习。以Transformer架构为基础模型，我们设计了一个表示融合模块，该模块能够捕获在用户级别的基于主题类别的语义对齐。经过这样的语义对齐后，能自适应地融合两个视图之间的信息。此外，我们采用互信息最大化作为自监督学习的损失来进一步增强对这个融合网络的学习。我们在两个真实场景的数据集上对三个下游任务进行的大量实验，也证明了我们方法的有效性。

论文介绍

论文题目：Reinforcement Recommendation with User Multi-aspect Preference

作者：陈旭，杜雅丽，夏龙，汪军

通讯作者：陈旭

论文概述：基于强化学习的推荐算法最近在工业界和学术界受到了广泛关注。传统的方法大多聚焦于如何构建精准的代理模型和环境模型来提升推荐算法的精度，但很少有工作探讨如何合理地建模用户奖励。在真实的推荐系统环境中，用户的兴趣往往复杂多样，整体的评分信息和隐式反馈通常难以准确描述用户在不同商品侧面的喜好。为此，本文提出在基于强化学习推荐算法框架下建模用户的多方面喜好。首先，用户在不同侧面的喜好可能不尽一致甚至相互矛盾，因此本文设计了一种基于“帕累托最优”的优化目标，并将其与经典的确定性策略梯度算法进行无缝的融合。其次，本文通过求解一个“二次型问题”来对模型进行交替优化，并探讨了模型最终是否可以收敛到“局部帕累托最优解”。最后，由于“帕累托最优”目标的引入，模型的梯度并不是无偏的。本文在理论上对模型梯度的偏差上界进行分析，并提出一种启发式的方法来降低梯度偏差。在实验中，本文通过设计大量的对比试验和参数实验来证明算法的有效性。

论文介绍

论文题目：FedPS:A Privacy Protection Enhanced Personalized Search Framework

作者：姚菁，窦志成，文继荣

通讯作者：窦志成

论文概述：个性化搜索通过收集用户的历史查询行为来推断用户兴趣及查询意图，从而生成更准确的排序结果。然而，这会给用户带来隐私泄露的风险，严重限制了个性化搜索的实际应用场景。在本文中，我们重点关注个性化搜索中的隐私保护问题，并且提出一个增强隐私保护的个性化搜索框架——FedPS。在这个框架下，用户的隐私数据只保留在个人的客户端上，通过联邦学习的方式利用所有用户分散的数据来训练一个共享的个性化排序模型。基于这个通用的框架，我们具体实现了两种模型。在第一种模型中，我们采用一个包含用户个人模块的个性化模型，这样可以适应于每个用户的数据分布从而缓解联邦学习中的数据异质性问题；在第二种模型中，我们引入可靠的中间代理服务器来解决通信限制、性能瓶颈和隐私攻击等问题。实验结果证明我们提出的框架能够在基本不损失模型精度的情况下增强隐私保护。

论文介绍

论文题目：Multilingual COVID-QA: Learning towards Global Information Sharing via Web Question Answering in Multiple Languages

作者：严睿，廖炜恒，崔建伟，张海雷，胡一川，赵东岩

通讯作者：严睿

论文概述：自2019年末爆发的不明原因肺炎疫情一直牵动着人们的心，2020年的COVID-19世界大流行很大程度改变了人们的日常生活方式：人们需要保持社交距离，线下的互动大部分都转移到了线上，功能设施甚至娱乐场所也都被关停。从另一面来看，互联网变成了一个非常活跃的地方，大家在网上分享知识问答与信息交流，学习如何对抗COVID-19。我们发现由于语言不通的障碍，直接学习别的语言中他人的知识与经验对只会一种语言的用户非常不方便。于是，我们提出了多语言COVID-QA问答这套模型，让计算机系统在网上学习多个语言关于COVID-19的问答，吸取知识，学习以后可以使用不同的语言将这些共享的知识传达出来，帮助人们克服语言的障碍，同时在一定程度上帮助人们更好的理解疫情并且抗击疫情。