活动日程：

议题一：多维度解析信息流所面临的挑战及AI实践

​

讲师介绍：

曾就职于腾讯、搜狗，负责搜索质量优化。2015年加入一点资讯，负责推荐及搜索体验优化。

主题介绍：信息流作为人工智能的一个典型应用近几年高速发展，从一开始的单一追求点击率及商业变现到目前遇到了更多新的挑战，用户需求从单一到多元，内容生态从追求数量到质量过度，行业监管逐渐规范等。本次演讲将从产品形式、用户需求、内容生态、行业监管、开放赋能等方角度出发，分享一点资讯的思考和解决方案。

演讲大纲：

1.如何定制千人千面的个性化推荐页面

2.如何满足用户更多元的价值需求

2.如何构建良性的自媒体生态

4.如何合规经营并承担社会责任

5.如何开放赋能实现多方共赢

听众受益：

回顾信息流现在最主要的一些挑战，探讨可能的解决思路，分享一点资讯的具体实践及规划，引入深度学习提升分发效率，深度内容理解净化网络环境，打造开放平台实现多方共赢。​

议题二：信息流广告的个性化探索与实践

​

讲师介绍：

王晖博士毕业于复旦大学，加入爱奇艺主要负责高精度、高泛化能力的广告算法构建，拥有丰富的算法研究和实践经验，发表多篇权威期刊论文并获多项专利。

演讲摘要：

随着大数据和人工智能的技术进步，数字营销行业也在不断变化。广告主对品效合一的追求促使信息流广告成为行业热点，得到蓬勃发展。如何能够在海量触达、跨平台、多终端的网络推广服务中，实现了定向精准、效果显著的广告投放，是信息流广告个性化需要解决的核心问题。本次我将介绍爱奇艺信息流个性化广告，聚焦CTR预估，分享思考与创新，同时聊一聊oCPC探索与实践，希望能为大家带来一些启发。

演讲大纲：

1. 爱奇艺信息流广告简介

2. 信息流广告CTR预估的技术难点与解决方案

3. oCPC探索与实践

听众受益：

1. 了解广告个性化演进历程

2. 了解信息流广告个性化背后的技术难点，解决方案及最前沿的实践探索

议题三：基于深度学习的推荐系统实践

​

讲师介绍：

一点资讯文章画像及召回算法部门负责人，业务涉及内容理解、文章画像建模、用户个性化内容召回等工作，对 NLP、个性化推荐有比较深的理解。

主题介绍： 

作为移动互联网重要的流量入口，信息流行业目前已是一片红海，在激烈的竞争中推荐系统的能力是关键；推荐系统根据用户以及群体的行为，通过机器学习算法给用户进行个性化推荐，一般包括内容理解、用户画像、模型与策略三部分； 如何提高分发效率、为用户提供有品质的内容进而提升用户粘性、提高用户刷新欲望是一点资讯的信息流推荐系统不断演进的目标和动力；一点资讯有很多推荐模块：信息流推荐、频道推荐、相关新闻/视频、本地/附近推荐、热点推荐等，每个模块侧重不同但是基本的推荐框架大同小异，本次演讲主要从宏观角度介绍我们推荐系统的演进过程、基本框架、推荐流程以及面临的挑战。

演讲大纲：

1. 推荐系统流程基本框架  

2.内容理解与用户画像  

3. 个性化内容召回的具体实施方案（特征、数据、模型）

4. 个性化排序模型简介  

5. 策略控制

听众受益：

1.推荐模型的演进迭代以及深度学习在推荐系统的具体实践

2.召回模型的设计、面临的问题以及解决方法

3.语意理解的重要性以及在模型中的使用

议题四：深度树匹配---下一代推荐技术的探索和实践

​

讲师介绍：

     朱晗，阿里妈妈精准定向技术部，算法专家，任职期间参与了从广告静态竞价到三方共赢的平台OCPC智能调价的机制创新，现主要负责商品展示广告matching模块算法优化，主导了阿里妈妈展示广告第三代matching技术的研发与升级，提出并落地了基于树结构检索的深度匹配算法框架，为推荐领域定义了索引结构+检索模式+模型能力联合端到端学习的新范式。

主题介绍：

       推荐业务是互联网内容提供商进行流量分配得的核心业务，也是大数据和机器学习技术的典型应用场景。以电商环境为例，推荐技术的核心任务是要完成从全部海量商品库高效检索TopK相关商品给用户。为实现这一目标，推荐技术经历了以Item-CF为代表的基于统计启发式规则，到以内积模型为代表的向量检索技术的演进和发展。当前基于内积检索的推荐技术虽然突破了全量候选集召回的天花板，且一定程度引入深度模型优化推荐效能，但内积结构模型表达能力存在局限，无法利用更先进模型进一步提升推荐效果。如何在全库检索的基础上突破模型能力天花板，是下一代工业级推荐技术的可行性发展方向。

演讲大纲：                     

1. 什么是推荐问题和推荐技术

2. 深度树匹配——下一代推荐技术的探索

3. 成为下一代推荐技术的核心挑战

4. 深度树匹配——下一代推荐技术探索的再思考

听众受益：

1. 了解推荐技术的演进历程

2. 了解推荐技术最前沿的实践探索

3. 了解推荐技术持续发展的方向和原动力