文本图（Text Graph）广泛存在于许多工业级应用中。顾名思义，这类图的节点属性由文本构成，而边的构建提供了结构信息，如在搜索场景，节点可由搜索词、网页标题、网页正文来表达，用户反馈和超链信息则可构成边关系。目前业界已有方法处理该文本图存有无法同时处理语义与结构信息的缺陷。本演讲将分享一种结合图结构与语义模型的算法，提供同时建模文本语义与图结构信息的能力，有效提升文本图上的应用效果。

内容大纲

1. 文本图的应用及其意义
2. 已有方法的缺陷
3. 图语义理解技术的介绍
4. 工业级应用案例以及TextGraph比赛
5. 图学习框架PGL简单介绍
    

听众收益

1. 了解解决文本图应用的前沿算法
2. 了解图语义理解技术如何落地于工业级应用
3. 了解大规模预训练模型与图神经网络的结合

适合人群

算法工程师

推荐、搜索系统存在大量的偏置问题，严重影响了模型的预测精度和用户体验， 如何有效纠偏成为了亟待解决的问题，我们将目光投向反事实学习技术。

本次报告将介绍面向推荐系统的反事实学习的4种技术方案，即：

1. 学习对未观察数据，构建全样本空间；

2.纠正有偏数据；

3. 双重鲁棒学习；

4. 无偏数据学习。

我还将通过理论分析和实验验证，证明所述方法的有效性。

以上研究成果在SIGIR，RecSys，CIKM等学术会议发表，并应用于实际产品。

演讲提纲：

• 推荐系统研究简史
• 因果学习与反事实学习简介
• 信息检索系统中的偏置问题
  • 位置偏置问题
  • 选择偏置问题
• 基于反事实学习的推荐系统研究与落地
  • 学习反事实样本
  • 修正有偏的可观测样本
  • 双重鲁棒方法
  • 无偏数据的利用
• 总结与展望

听众受益点：

• 了解前沿的因果学习技术研究课题
• 了解反事实学习技术在推荐系统的研究进展
• 了解信息检索系统的偏置问题
• 了解反事实学习技术的产品落地方法

实践案例：

• 如何学习反事实样本，构建全样本空间，解决推荐系统的偏置问题
• 如何修正可观测的偏置样本，提升推荐系统的准确性
• 反事实学习技术在推荐系统中的应用及落地效果
• 如何收集无偏数据

2016 年至今，深度学习和大数据系统融合方向上一直有人进行探索和尝试，但一直没有在工业界广泛运用起来。没有广泛运用的原因，是因为深度学习和大数据系统融合本身固有的局限性，还是实现技术路线的偏移？本演讲将介绍，演讲人所在团队具有团队特点，对深度学习和大数据系统融合方向的思考，以及在这个方向上工作和实际效果。

内容大纲

1. 深度学习和大数据系统融合的现状和限制

2. 目标重定位

3. 融合的实现路线

4. 编程语言的考虑

5. 大规模模型能力的构建

6. 游戏业务上的应用 

听众受益

• 了解深度学习和大数据系统融合最新趋势
• 了解深度学习和大数据系统融合在推荐领域的应用  

适合人群

算法工程师 

随着整个社会节奏的不断变快，人们用于碎片化消费的时间不断增加。当前移动设备的普及和网络带宽的增加，为短视频行业的发展创造了良好的基础。然而虽然目前视频数量巨大，但内容质量呈现两极分化。为提高优质内容生产效率，我们推出了阿里文娱的Media AI能力，包括：创立概念级事件检测和风格解析能力；针对用户需求的千人千面的剧情摘要自动挖掘技术；重新定义Text to Video技术实现千人千面短视频速看；自动化提取优质短视频内容模版并进行二次创作等。Media AI助力优酷实现短视频智能创作和自动化生产，帮助B端运营提效，实现全网优质内容供货，并赋能UPGC视频剪辑工具。  

听众受益

1. 了解AI在短视频领域的落地

2. 了解基本的视觉AI技术 

适合人群

图像视频处理，视觉领域专业