专题出品人：李晗
阿里巴巴 高级算法专家
2013年加入阿里从事广告算法相关工作，期间牵头负责整体淘宝单品展示广告无线化的进程。
当前主要研究方向为无线原生化场景下，展示广告和推荐整体混合展示下的算法创新和机制创新。
同时对新技术（dl+rl）和新模式冲击下给推荐和广告整体系统架构带来的变革表示持续关注。
2013年加入阿里从事广告算法相关工作，期间牵头负责整体淘宝单品展示广告无线化的进程。
当前主要研究方向为无线原生化场景下，展示广告和推荐整体混合展示下的算法创新和机制创新。
同时对新技术（dl+rl）和新模式冲击下给推荐和广告整体系统架构带来的变革表示持续关注。
时间：07月07日
地点：马德里5号厅如何获取用户操作习惯，如何采取合适推荐算法，如何大规模推送等均是推荐系统架构中需要研究的问题。
广告则可以理解为内容的特别形式，在推荐系统架构中还需研究如何优化广告引擎与算法，兼顾用户体验和利润最大化。
我们将邀请在此领域深耕多年的技术专家，揭开内容为王时代下精准推送背后的技术架构。
O2O 平台上的交易服务和用户行为提供了海量数据，从中挖掘出的商户画像和用户画像有助于更深刻地理解商业本质。根据这些数据分析和挖掘，除了锦上添花地提升用户消费体验，如何雪中送炭地驱动整个平台的业务增长，是一个更加重要的问题。
本次分享会结合百度外卖商业智能推荐系统（BI RecSys）的构建过程，向大家剖析其中的常见模型、主要设计原理和核心技术，包括在不同发展阶段如何通过建模、预测和反馈评估来平衡平台、商家和用户三者之间的自身价值和利益诉求，促进商业信息更有效率地传输，驱动业务快速健康增长。
演讲提纲
从核心算法上讲，推荐系统是如何经历从最初的协同过滤到如今的深度学习等各种复杂的机器学习模型的演变。
本次分享将演示如何使用 Tensorflow 实现各种模型，从简单的浅层神经网络双线性模型，到针对推荐系统稀疏数据场景下的 Amazon 的 DSSTNE，和 Youtube 推荐系统采用的神经网络在 TensorFlow 上的实现。
TensorFlow 如何实现 Wide & Deep Learning 的结合。如何结合 Wide Model，也就是传统的基于 Logistic Regression 并且用大量的 Cross-Product 做 Feature，和用 Deep Neural Networks 把大量 Categorial Features 转换成为 Dense Embedding Vector。
同时，还将使用 TensorBoard，来可视化物品（items）和元数据（metadata）的潜在空间（latent space）。以及线上和线下的模型评估方法。
经过几年的发展，美团外卖的日订单已经突破千万。业务成长到一定阶段后，进行商业变现是一个常见的问题。何如针对业务定制一套合适的系统并进行针对性的算法优化，以及商业系统如何与推荐系统融合，是其中更加重要的问题。
本分享结合美团外卖商业从0到1的发展过程，向大家介绍背后的原生广告的思考，及如何将商业与自然结果进行联合优化，如何在用户推荐体验、商户体验、平台收益之间进行决策，以及面对针对快速增长的业务何如做好技术架构的保障。
个性化推荐业务在阿里电商业务取得了巨大的成功，这受益于智能算法的强大和工程能力的提升。本次分享将侧重在阿里个性化推荐平台（TPP）的工程层面，向大家介绍推荐工程平台如何灵活支持业务的快速发展，如何同时支持大量推荐场景在线优化和测试，又如何在双11大促中顶住流量洪峰。
