课题简介
推荐系统是一种利用机器学习和数据分析技术，根据用户的历史行为、兴趣和偏好，向用户推荐他们可能感兴趣的物品、服务或内容的系统。
本课程从推荐系统的基础知识结构讲起，然后由浅入深地过渡到前沿的基于深度学习与大模型的推荐算法。课程内容同时会覆盖序列推荐、基于图学习的推荐系统以及推荐系统的可解释性等学术研究热点。此外，课程会讲解自然语言处理的基本知识，并讲解如何利用自然语言处理技术分析推荐系统中的各类文本信息，从而提升推荐算法性能。
本课程重点关注推荐系统算法的前沿课题，通过分析各种有影响力的推荐算法的创新点，帮助学员归纳与掌握实现推荐系统的思路以及进行推荐系统算法研究与论文发表的方法论。
通过本课程，学员将熟练掌握推荐系统的基础知识与前沿研究方向，学习实现推荐系统各种经典算法的方法，并获得进行前沿推荐系统研究的思路与方法论。
导师介绍
【学校/研究方向】
海外大厂资深算法研究专家，研究方向包括推荐系统、自然语言处理、数据挖掘等。
Google Scholar引用数累计1000+，带领团队在Kaggle、NeurIPS、ICCV等顶级国际机器学习竞赛平台获得冠军六次。
【科研论文/审稿人】
在顶级国际学术会议和期刊如NeurIPS、ICLR、CVPR、ICCV、WWW、Nature Machine Intelligence中发表二十余篇论文，其中在CCF A/B类国际会议中以第一作者身份发表论文11篇，被引超过1000次。担任NeurIPS、ICML、ICLR、AISTATS、CVPR、ICCV、ACL、EMNLP、NAACL、AAAI、IJCAI、TKDE审稿人。
【指导经验】
指导学生在WWW、RecSys、AAAI等会议发表论文15篇，投稿9篇。
可选创新点
（1）基于大语言模型的通用用户表征学习（KDD、SIGIR、WWW等顶会）
（2）基于预训练大模型的多模态推荐系统（KDD、WWW、MM等顶会）
（3）Agent式推荐系统的用户建模方式（KDD、WWW、MM等顶会）
（4）端到端LLM推荐管线优化（KDD、WWW、MM等顶会）
（5）大模型微调在推荐系统中的效果评估（ICDM、SDM、IJCNN等）
（6）大模型提示工程用于推荐系统冷启动的探索（ICDM、SDM、IJCNN等）
（7）基于用户评论的推荐系统（ICDM、SDM、IJCNN等）
（8）基于自监督学习的序列推荐模型（CIKM、RecSys、ICANN等）
（9）多模态图学习推荐模型（CIKM、RecSys、ICANN等）
（10）推荐任务中的用户长短期兴趣建模（CIKM、RecSys、ICANN等）
课程亮点
（1）循序渐进，零基础友好，注重实战：课程内容由浅入深，从推荐系统基础原理到前沿进展循序讲解，即使零基础的学员也能轻松跟上。课程提供完善的baseline代码和实操指导，帮助学员快速上手实践推荐算法，往期甚至有零基础学员在结课时成功发表论文。
（2）聚焦Idea创新，强化科研方法：课程提供大量实用的新颖Idea，并结合经典论文逐篇串讲，帮助学员梳理领域发展的脉络，系统掌握科研的方法论。通过完整覆盖从发现选题到设计创新再到实验验证和论文撰写的流程，全面提升学员发现科研选题和提炼创新点的能力。
（3）紧贴前沿，提升竞争力：课程内容紧扣学术界热点，涵盖ChatGPT在推荐中的应用、智能Recommender Agent框架、多模态预训练模型等当前炙手可热的方向。
（4）论文写作与投稿指导：课程配套一对一论文写作指导。老师将手把手辅导学员梳理论文逻辑、讲好科研故事、突出亮点卖点，并提供选会建议和投稿技巧指导，助力学员在高水平会议期刊上顺利发表成果。