「AI Drive」是由 PaperWeekly 和 biendata 共同發起的學術直播間，旨在幫助更多的青年學者宣傳其最新科研成果。我們一直認為，單向地輸出知識并不是一個最好的方式，而有效地反饋和交流可能會讓知識的傳播更加有意義，從而產生更大的價值。

本期 AI Drive，我們邀請到羅格斯大學（Rutgers）博士生劉殊暢，為大家在線解讀其發表于 WWW 2021 的最新工作：Variational Control and Evaluation for Generative Slate Recommendation。對本期主題感興趣的小伙伴，6 月 8 日（周二）晚 7 點，我們準時相約 PaperWeekly B 站直播間。

直播信息

隨板塊推薦（Slate Recommendation）在推薦時會將一個包含多個 item 的板塊打包成整體一起推薦，有別于傳統的基于排名的推薦，它更加關注 item 在版塊中的位置便好（positional bias）和 item 之間的相互影響。

為了從巨大的組合空間中學到有意義的版塊構造和模式，生成式（Generative）的解決方案被用來直接從觀測數據中提取這些信息并利用這些信息產生版塊推薦。然而在實驗觀測結果中，推薦結果大部分情況下會出現兩種極端情況之一：a）生成模型對觀測數據擬合的很好，但是生成推薦時不易采樣到相同分布從而無法滿足準確性；b）生成模型能夠很好的保證準確性，但數據中的variance沒有學到導致推薦的 slate 容易重復。

本文研究的主要問題是：是否可以通過在學習和推薦時控制模型的 variance 來提高生成式板塊推薦的有效性。?首先我們在傳統的準確性指標之外，專門為生成式板塊推薦方法增加了 slate variance 指標。通過對比不同的指標，我們發現生成模型的兩個極端情況中間存在一個不易發現的但是相對有效的中間區域，這個區域的模型既能滿足一定的準確率，同時能學到一定數據中的 variance。

然后我們對比了兩種擾動（perturbation）方法是否能在保證準確的極端情況下提升 variance。兩種方法中，生成前（pre-generation）擾動方法相比于生成后（post-generation）擾動方法在實驗結果中更能夠有效學到數據中的 variance 并同時保證推薦準確率。

論文標題：

Variation Control and Evaluation for Generative SlateRecommendations

論文鏈接：

https://arxiv.org/abs/2102.13302

本次分享的具體內容有：?

• Generative Recommendation

• Slate Recommendation

• Conditional VAE

嘉賓介紹

?劉殊暢?/ 羅格斯大學（Rutgers）博士生?

劉殊暢，羅格斯大學（Rutgers）博士生在讀，師從張永峰。研究方向包括生成式推薦方法和聯邦遷移學習。

直播地址?& 交流群

本次直播將在 PaperWeekly B 站直播間進行，掃描下方海報二維碼或點擊閱讀原文即可免費觀看。線上分享結束后，嘉賓還將在直播交流群內實時 QA，在 PaperWeekly 微信公眾號后臺回復「AI Drive」，即可獲取入群通道。

B 站直播間：

https://live.bilibili.com/14884511

合作伙伴

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的直播 | WWW 2021论文解读：生成式板块推荐的变分控制和评估的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。