9月21日上午，在以“驱动数字科技”为主题的2018云栖大会上，搜索推荐专场正在火爆进行着。

图为主持人邓洪波博士在对本次会议做简单介绍

此次搜索推荐云栖专场涵盖了搜索和推荐算法领域一些最新的发展方向和研究成果，包括如何把深度学习应用到搜索和推荐领域，如何对于信息流进行相关性的推荐排序，如何结合知识体系的建设来推进新的推荐体系的发展，如何把创新的智能交互和对话系统应用到购物领域，如何把自然语言处理应用到搜索中去等等。下面我们一起来回顾一下。

深度学习的表达与迁移

图为阿里巴巴研究员郑波博士

郑波博士重点介绍了多场景和多目标的迁移学习在电商场景中的应用，巧妙地利用淘宝的复杂场景和数据来学习统一的用户表示，主要采用一种新颖的注意力机制和基于RNN的深度学习结构来对行为序列进行建模，应用到淘宝搜索中去抓取用户的实时兴趣，以及推荐个性化的结果。结合迁移学习使得训练和推理都变得更加有效了，同时还取得了更好的质量。

智能推荐新发展

图为阿里巴巴资深算法专家欧文武

欧文武重点介绍了新版的猜你喜欢系统，从以下三个方面进行了详细的介绍，包括基于图计算和图引擎的新推荐引擎，基于强化学习和多智能体的智能决策，以及如何加速预测和训练提速等方面。

推荐索引全息向量化

图为阿里巴巴资深算法专家赵斌强

赵斌强从另一角度详细介绍了推荐系统中的向量化，包括商品的向量化，和用户的向量化，其中融合了各种特征组合，以及用户的行为和物品信息，这样可以增强推荐算法的发现性和冷启动的能力。

智能交互搜索

图为阿里巴巴资深算法专家邓洪波博士

邓洪波博士给我们介绍了阿里巴巴的智能交互搜索，这是一种新的搜索形态，重点针对没有明确的商品需求的用户。比如用户想买一个洗衣机，但是他不确定买什么品牌的，什么型号的，或者多大容量的。那么如何能够通过智能的交互来帮助用户细化商品需求，以及通过多轮的对话或者交互来引导用户更快的找到想要的商品，这是智能交互搜索想要去解决的问题。这个系统需要理解用户的语音或文本输入，通过当前的Context和用户历史的数据来正确的判断用户的需求，并且根据强大的知识库来智能地引导用户进行下一步的交互，从而快速找到想要的商品。

当天，我们还特别邀请到了清华大学计算机系黄民烈副教授，南洋理工大学研究科学家刘勇博士，UC事业部资深算法专家苏哲文为我们带来了关于深度强化学习，发现性推荐和信息流推荐方面的分享。

深度强化学习在自然语言处理与搜索中的应用

图为清华大学计算机系黄民烈教授

强化学习通常可以适用于多轮的交互，以及自然的序列决策问题，在每一步的学习中没有直接的监督信息，只有通过用户的行为数据来得到一些潜在的（或者说是隐含的）反馈信息，这些反馈信息被用于强化学习中设置Reward信号。清华大学黄民烈教授给我们带来了深度强化学习在自然语言处理和搜索中的应用，其中从简单的迷宫游戏例子引入强化学习，结合其在线实时进行交互和学习的动态特性，然后深入浅出了介绍了如何把强化学习应用到复杂的搜索场景和自然语言处理中去。

发现性推荐算法!

图为南洋理工大学研究科学家刘勇博士

刘勇博士重点介绍了推荐算法的新需求，从多个方面来改进推荐的发现性，包括发现用户的兴趣爱好变化，提升推荐结果的覆盖率、多样性、新颖性和惊喜度。这个Talk介绍了多种发现性推荐算法，包括Maximal marginal relevance，Determinantal point process，Multi-armedbandit 和 Social curiosity inspired recommendation，这些推荐算法的好处是在更多维度、更多粒度上为用户发现更多样的、更惊喜的、更有粘度的内容。

信息流相关推荐算法体系

图阿里巴巴资深算法专家苏哲文

苏哲文详解了UC信息流的推荐算法体系：在内容分析上，基于知识图谱与标签平台能力，细化用户的兴趣特征与质量特征，对内容本身的分析理解之外，实现了对低质、低俗、违规内容进行识别；在用户理解上，UC依靠阿里集团的大数据优势，将淘宝、高德、优酷等拥有的用户行为数据利用起来，更立体更全面的刻画用户，构建了七个大类近百维个属性，覆盖用户的多个侧面；在推荐算法体系最为核心的推荐引擎中，UC广泛地采用了业内领先的深度学习技术，构建了漏斗式的召回、排序、重排三层架构，先对新闻内容快速精准个性化的下发；同时结合搜索、地图等技术进行新闻推荐的诸多创新。

本次搜索推荐算法专场为现场的参会者分享了这个领域的一些最新发展和研究成果，得到了参会者的积极反响。从2008到2018，今年是阿里巴巴搜索事业部成立的第十年，搜索和推荐算法在过去的十年里发展迅猛，已经在赋能电商和引导成交上发挥着至关重要的作用。未来的十年，相信搜索和推荐算法势必将继续前行，开创出更广阔的天地！

搜索推荐专场讲师合影