微软亚洲研究院专家在分享中重点介绍了用户画像与推荐系统,包括如何利用用户行为数据去构建显式和隐式的用户画像,介绍了在推荐系统中如何利用知识图谱提升效果;以及可解释性推荐的实现模型和应用场景。
用户画像,即用户信息标签化,是企业通过收集与分析消费者社会属性、生活习惯、行为特征等主要信息的数据之后,抽象出用户的商业全貌。
通联数据认为,先进技术的运用可以将投资者及其行为“可视化”。未来金融机构将日益聚焦于怎样利用大数据了解用户需求,实现精准营销,进而深入挖掘潜在的商业价值。通联数据的用户画像和智能投顾服务已经在多家券商落地,帮助券商为客户提供高效且优质的服务。
微软亚洲研究院首席研究员谢幸认为,用户画像的应用主要在个性化推荐和广告投放上。有了用户和物品的表示之后,我们可以计算用户和物品之间的距离,然后再将距离排序,把排序靠前的物品推荐给用户。
微软亚洲研究院专家重点介绍了在推荐系统中如何利用知识图谱提升效果。专家认为知识图谱在推荐系统是一个新的应用场景,知识图谱可以在一定程度上缓解用户行为数据的稀疏性。
知识图谱应用于推荐系统主要有以下效果:
提高准确性。因为用户数据的稀疏性导致推荐的准确性一直都比较低。用知识图谱把用户的行为数据进行扩展,实际上相当于把数据变稠密了。
提高多样性。如果只追求准确性,用户看到的东西就越来越窄。用知识图谱向周围进行一些扩展,可以给用户推荐一些不那么相关,但是又有一定联系的产品。
增加可解释性。我们还可以看给用户推荐的物品跟用户历史记录里面的物品从知识图谱上能建立什么样的连接,把连接当作解释展示给用户。
微软亚洲研究院专家还在分享中介绍了强化学习的最新进展;通过医疗保健、市场交易、自然语言处理(NLP)等应用案例介绍了强化学习的应用;并介绍了强化学习的一些挑战以及实际应用时一些处理的策略。
通联数据的AI技术人员也就技术发展的前沿、在金融场景中的应用实践等与微软亚洲研究院专家进行了深入的交流。