Wir freuen uns, dem Roblox-Ingenieur für maschinelles Lernen Xiao Yu und seinen Co-Autoren zum Erhalt des Test of Time Award zu gratulieren 17. Internationale ACM-Konferenz zu Websuche und Data Mining (WSDM 2024). Der Test of Time Award ist ein Zeichen historischer Wirkung und Anerkennung dafür, dass die Forschung die Trends und die Richtung der Disziplin verändert hat. Er würdigt eine Forschungspublikation von vor zehn Jahren, die einen nachhaltigen Einfluss hatte.
Die Gewinnerzeitung: „Empfehlung personalisierter Entitäten: Ein Ansatz für heterogene Informationsnetzwerke„wurde erstmals auf der WSDM 2014 vorgestellt, als Yu Forscher an der University of Illinois in Urbana-Champaign war. Yu kam 2022 zu Roblox und hat an natürlicher Sprache, Computer Vision, großen Sprachmodellen und generativer KI gearbeitet, einschließlich unserer jüngsten Arbeit zu Echtzeit-KI-Chat-Übersetzung et Sprachmoderation in Echtzeit.
Yu sagt, der preisgekrönte Artikel „In führt das Konzept latenter Merkmale ein, die auf Metapfaden als Darstellungen von Benutzern und Elementen basieren. Dies geschah, bevor Repräsentationslernen zum Stand der Technik für Empfehlungssysteme wurde. Obwohl sie bereits vor der weit verbreiteten Verwendung von Einbettungen in heterogenen Netzwerken und Empfehlungssystemen entstanden sind, haben die in diesem Artikel vorgestellten Beobachtungen und die Philosophie viele Forscher dazu inspiriert, dieses Problem erneut zu untersuchen, und eine Welle innovativer Forschung in diesem Bereich ausgelöst.
Die von Yu und Kollegen veröffentlichten Forschungsergebnisse haben im letzten Jahrzehnt große Anerkennung gefunden, da Empfehlungsmaschinen immer allgegenwärtiger geworden sind. „Durch die Einbeziehung verschiedener Beziehungsinformationen personalisiert unsere Methode Empfehlungen weiter und führt zu genaueren, relevanteren und personalisierteren Vorschlägen für Benutzer. Dies ist im heutigen Szenario der Informationsüberflutung, in der Menschen mit irrelevanten Empfehlungen bombardiert werden, von entscheidender Bedeutung“, sagt Yu.
„Vor diesem Artikel verwendeten hybride diagrammbasierte Empfehlungssysteme oft nur eine Art von Beziehung, beispielsweise ob ein Benutzer zuvor einen bestimmten Artikel gekauft hatte. Dies war einer der ersten Ansätze, der sich die Heterogenität der Beziehungen innerhalb eines Netzwerks zunutze machte. Durch die Modellierung verschiedener Beziehungen kann das vorgeschlagene Empfehlungssystem ein umfassenderes und differenzierteres Verständnis der Benutzerpräferenzen und Artikeleigenschaften erlangen.
Schauen Sie sich die aktuelle KI-Forschung bei Roblox an Sie finden hier.
