推荐系统与新技术结合将碰撞出怎样的火花？

近日，来自意大利米兰理工大学 Maurizio 团队发表的一篇极具批判性的文章火了。这篇文章剑指推荐系统领域的其他数十篇论文，并通过多项试验证明这些论文中基于深度学习的推荐算法大部分都存在不同程度的数据集缺失和源码缺失的问题，导致根本无法复现，即使是可复现的算法，其性能也难以达到预期，甚至还不如基于传统的、简单的机器学习推荐算法。

这篇文章指出，深度学习推荐算法并不是完全可信的，主要存在以下三个问题：

许多声称有提升的方法事实上并不能超越经过合理调参的基准对比工作，甚至不能超越很简单的传统方法。具体来说，这些方法在实验上存在一定的缺陷。
基准对比工作的选择问题：许多方法选择的对比工作本身就有问题，不是广义上的基准工作。并且该领域的基准工作很混乱，不太统一。
不同工作采用的数据集，验证方法，性能指标，数据预处理步骤都不同，这使得性能对比很困难，无法确定哪个工作在相同的应用环境中表现最好。而且很多工作不开源数据和代码，这不符合现在的代码开源趋势，甚至即使开源了，也不把完整代码放出来。

事实上，关于热门会议论文复现难的问题很久之前就有人提出，此次文章发布后再次引发读者热议，可见推荐系统论文的可复现性是很多人都关注的问题。在评论中，大多数人表示赞同这篇文章敢于说实话的态度，说出了大家的对不可复线论文真实性的质疑，指出了不开源代码、数据集缺失等问题导致无法真正衡量一个算法性能是否优越。

当然，以上仅是关于基于深度学习的 top-n 推荐算法存在的问题之一，但问题的存在并不能磨灭推荐系统的作用，因为经过无数实践的检验，推荐系统在塑造当今信息流生态和现状功不可没。

个性化推荐算法滥觞于互联网的急速发展，随着国内外互联网公司，如 Netflix 在电影领域，亚马逊、淘宝、京东等在电商领域，今日头条在内容领域的采用和推动，个性化推荐如今已成为互联网公司背后的无形“推手”，可以说，如今我们打开任意一款联网的产品，用户看到的内容，接收到的信息，绝大部分取决于提供这些商品和服务背后企业的推荐算法团队。

在效率至上的时代，推荐系统将信息生产者与信息受众有效地连接起来，前者可以将信息精准传达给后者，后者也能接收到自己最感兴趣的内容。

然而，正如上文所说，推荐系统并非完美无缺，比如，再完美的个性化推荐系统都逃不过“信息茧房”的桎梏，因为人的兴趣会随着时间的变化而改变，甚至自己都无法意识到自己感兴趣的话题和领域有哪些，在何时悄然发生变化，推荐系统更是无法精准“揣度”人的心思。这导致仅凭推荐算法已无法满足用户越来越高的要求，因此，基于推荐算法，结合了知识图谱、深度学习、AutoML 等技术的新方法随之诞生，让推荐系统变得更加可信赖。

目前，推荐系统的发展还面临着哪些亟待解决的技术和应用瓶颈？为解决这些问题，各个领域的研发人员都进行了哪些努力和尝试？当今个性化推荐最前沿、最实用的技术手段有哪些？选择适合自己平台的推荐技术有哪些选用标准？搭建系统过程中需要绕过哪些雷区和坑？所有问题的答案，尽在 2019 年 AI 开发者大会（AI ProCon）的推荐系统技术专题。

本次大会上，阿里资深算法专家、阿里妈妈深度学习算法平台负责人、兼任定向广告&信息流广告排序技术团队负责人朱小强先生将应邀担任推荐系统技术专题出品人，并拟邀其他三位顶尖推荐系统团队的负责人参会，作为演讲嘉宾，分别从广告、电商、视频等领域分享推荐系统的构建理念、搭建系统的技术细节及迭代完善系统的过程，解答大家对于推荐系统的疑问。