第 26 屆 ACM SIGKDD 知識發(fā)現(xiàn)和數(shù)據(jù)挖掘會議（KDD 2020）已于太平洋標準時間 8 月 23 日 － 27 日以虛擬線上方式召開。今年 KDD 收集了 338 篇論文（研究和應(yīng)用軌道），34 個研討會，45 個教程（講座和實踐），使其成為計算機科學中最大的應(yīng)用研究會議之一。

在繼時間檢驗獎，新星獎，創(chuàng)新獎，論文獎，服務(wù)獎等獎項公布之后，最佳論文獎也已出爐，其中最佳論文獎由谷歌研究院的 Walid Krichene 和 Steffen Rendle 摘得，最佳學生論文獎由杜克大學的 Ang Li、Huanrui Yang、陳怡然和北航段逸驍、楊建磊獲得。

最佳論文獎

最佳論文獎由來自谷歌研究院的 Walid Krichene 和 Steffen Rendle 獲得，獲獎題目為《On Sampled Metrics for Item Recommendation》

簡介：項目推薦的任務(wù)需要在給定上下文的情況下對大量的項目進行排序。項目推薦算法是使用依賴于相關(guān)項目位置的排名指標來評估的。為了加速度量的計算，最近的工作經(jīng)常使用抽樣的度量，其中只有一組較小的隨機項和相關(guān)項被排序。

本文對抽樣指標進行了更詳細的研究，發(fā)現(xiàn)它們與精確的度量值不一致，因為它們沒有保留相關(guān)的語句，例如，說推薦者 A 優(yōu)于 B 時甚至連期望值也沒有。而且，抽樣規(guī)模越小，指標之間的差異就越小，另外對于非常小的抽樣規(guī)模，所有指標都會坍縮為 AUC 度量。

作者證明了通過應(yīng)用一個修正項來提高抽樣指標的性能是可行的：通過最小化不同的標準，如偏差或均方誤差。最后，對原始抽樣指標及其修正變量進行了實證評估。綜上所述，作者建議在度量計算中應(yīng)避免抽樣，但是如果實驗研究需要抽樣，那么作者所提出的修正項可以提高估計的質(zhì)量。

Walid Krichene    

Walid Krichene 是谷歌研究所激光小組的成員，從事機器學習和推薦。他還致力于開發(fā)使用連續(xù)時間和隨機動力學的優(yōu)化方法。他也是 Google 開源 ML 課程推薦系統(tǒng)課程的合著者，在 ML＠ 資本。

Steffen Rendle

Steffen rendle 是谷歌的一位研究科學家。在此之前，他是德國康斯坦茨大學的助理教授。Steffen 的研究興趣是使用因子分解模型進行大規(guī)模機器學習。他的研究獲得了 2010 年 WWW 網(wǎng)站的最佳論文獎和 WSDM 2010 年的最佳學生論文獎。Steffen 將他的研究應(yīng)用于各種機器學習競賽，在 2009 年和 2013 年的 ECML 發(fā)現(xiàn)挑戰(zhàn)賽中獲獎。