小红书的从 2016 年开始从 0 到 1 的搭建机器学习推荐系统，经过 2 年的演进，经历了技术选型的升级。

包括了模型选取，与模型匹配的特征选取，和与之配合的数据系统，更重要的是对于技术和产品不设边界的去不断升级学习的目标和设定与之匹配的 Value Model。将和大家分享在每次升级时的 What 和 How，更重要的是每次选择时对于 Why 的一些总结。

主要内容

1. 从 0 到 1 搭建机器学习系统：技术选型，从数据流，特征到模型；

2. 机器学习的世界里技术产品应该没有边界：从产品角度入手选取合适的学习目标以及Value Model； 

3. 没有数据就没有机器学习：机器学习不是黑盒，人人都要能用和会用数据。

听众收益

1. 以个性化推荐为例，对于机器学习系统的演进过程和每个阶段需要考量的目标和选型能有所了解； 

2. 机器学习和产品的深入结合是做好 C 端机器学习的根本，如何从产品角度审视和设计机器学习系统； 

3. 机器学习和数据是互为因果的关系，如果更深入的使用数据和反馈到机器学习系统中来。

千亿级的深度学习模型在搜索、推荐、广告等领域被广泛证明有显著地效果，数据的高维稀疏性是该领域独特的特征，如何在工程和算法上应用高维稀疏的数据是一个极具挑战的任务。本次分享主要从工程和算法两方面介绍美团点评的千亿级深度学习系统的实践，工程上提供离线、近线、在线的全流程方案，大幅降低应用门槛；在算法上，提供从召回到排序的全系统模型优化方案。

主题摘要

1. 千亿级深度学习系统的背景介绍；

2. 全流程深度学习的工程实现方案；

3. 深度学习在召回和排序的落地方案。

听众受益

1. 能较全面地从工程和算法两方面了解深度学习在美团点评的应用；

2. 了解千亿级深度学习在工程方面的挑战和解决方案；

3. 分享在美团点评业务的召回、排序阶段落地深度学习的方案。

本次分享主要介绍短视频社交场景下的商业产品中的 AI 技术应用，内容包括利用 AI 技术提升用户体验、投放效率、运营效率、素材制作能力等。

作为人工智能典型应用场景，深度学习技术在百度搜索中广泛使用。但深度学习技术应用到线上系统，除了效果提升外，还需要解决很多工程问题。百度深度学习平台，提供了深度学习应用的全流程支持，通过工程架构的精心设计，实现深度学习研发效率的大幅提升。 本次分享主要介绍百度搜索深度学习平台的架构实践，详细阐述工程实践中的业务痛点、技术难点以及解决方案。

主要内容

1、百度搜索深度学习演进历程；

2、搜索中的深度学习技术应用；

3、深度学习应用全流程工程实践；

4、未来展望。

听众受益

1、深度学习技术如何应用在搜索中；

2、从数据准备到在线推理，深度学习应用全流程是如何支持的；

3、千亿规模数据下会遇到哪些工程问题以及如何解决；

4、深度模型相关问题如何快速分析。

CBU 是阿里面向 B 端的电商业务，平台发展面临的核心问题包括 B 类商家培育、买家开源留存和数字营销，依托阿里系横跨 C 和 B 两端的数据，我们建设了完整供应链体系的数据通路 I2I 和品类规划、研发了 AI 智能文案技术体系、构建了搜索和广告一体化运筹策略，推进业务从千亿规模向万亿规模的迅速发展。本次分享重点剖析算法在构建这一些列技术体系过程中遇到的挑战，以及对应的思考、设计、落地方案。

听众受益

1. 了解阿里 CBU 电商算法体系的全局；

2. 了解阿里算法团队对 2B 电商核心问题的思考和解法。

在传统互联网效果广告按点击出价模式中，只有点击率预估，广告主真实诉求没有得到表达，越来越多的广告主开始关注深度转化行为的效果。针对此痛点，本次分享将聚焦转化率预估技术的方方面面，涉及转化定义、转化收集、转化建模以及转化评估。以及基于转化率预估技术如何搭建智能出价产品，允许广告主按目标转化出价，自动计算每次流量请求的价值，实时，智能出价，确保广告主实际成本接近目标出价。

主要内容

1. 腾讯广告系统整体架构；
2. 转化率预估在腾讯广告产品中的应用；
3. 转化率预估建模的挑战；
4. 转化率预估整体架构；
5. 转化率预估效果衡量。

听众收益

1. 系统了解广告系统整体架构；
2. 系统了解转化率预估技术及其在广告系统中的重要性；
3. 了解广告智能出价产品背后的原理和技术挑战。

微博是知名的社交媒体平台，每天上亿条内容产生并在万亿级关系的社交网络上进行传播。机器学习已经成为 Feed、热门微博、视频、广告、用户增长、反垃圾等主要产品效果大幅提升的核心驱动力。微博机器学习技术随着产品规模和效果的提升，不断升级完善，从 LR 到 FM，再到在线机器学习和深度学习。

本次分享主要介绍微博在线机器学习和深度学习的实践。包括在线机器学习和深度学习若干环节的挑战和关键技术点，平台化架构，以及在微博核心业务的应用效果。

主要内容

1. 微博机器学习发展历程；

2. 微博在线机器学习的架构，以及数据采集、样本生成、特征处理、模型训练、参数服务器、模型预测等在线机器学习若干环节的挑战和关键技术点；

3. 微博深度学习的架构，以及模型训练、模型推理、向量召回等深度学习若干环节的挑战和关键技术点；

4.微博在线机器学习和深度学习的平台化，以及在微博核心业务的应用效果。

听众受益

1. 理解在线机器学习的挑战和关键技术点；

2. 理解深度学习的挑战和关键技术点；

3. 理解在线机器学习和深度学习平台的典型架构；

4. 了解在线机器学习和深度学习在微博业务的典型应用。