17
联邦推荐在金融营销中的应用实践
source link: https://www.infoq.cn/article/cUiYuXvVSXg2LssjSX8B
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
推荐系统应用广泛，已经渗透到人们生活各个方面，例如新闻推荐、视频推荐、商品推荐等。为了实现精准的推荐效果，推荐系统会收集海量用户和所推荐内容的数据，一般而言，收集的数据越多，对用户和推荐内容的了解就越全面和深入，推荐效果越精准。在现实场景中，随着用户数据安全和隐私保护相关政策相继出台和日益完善，这些数据通常为保护用户数据隐私而以“数据孤岛”的形式分散在不同的机构。因此在“数据孤岛”与“隐私保护”的现实问题中，在合理合法的前提下使用数据持续优化效果提供优质服务，是当前推荐系统所面临的巨大挑战和首要任务。
AICon 上海 2020 大会上，微众银行高级研究员谭奔将介绍一种新的联邦推荐系统，它在保护合作方用户隐私和数据安全的条件下，合法合理使用数据，显著提升了推荐效果。
内容大纲
1、推荐系统背景介绍
- 推荐系统介绍
- 推荐系统中的隐私问题
2、联邦推荐系统
- 联邦学习
- 联邦推荐系统及其分类
- 联邦推荐算法
3、微众联邦推荐系统架构
- FATE 联邦学习框架
- 联邦推荐系统架构
4、联邦推荐系统在金融营销中的应用
- 联邦内容推荐
- 联邦在线广告
听众收益
- 了解联邦学习在推荐系统中的最新进展；
- 了解联邦推荐技术的核心概念和技术原理；
- 了解联邦推荐技术在金融营销中的落地实践。
演讲亮点
重视数据隐私和安全已经成为了世界性的趋势，“联邦学习”是解决这一行业性难题的关键技术。微众银行首次将联
邦学习技术应用于推荐领域的落地实践。
适合人群
- 参会者对推荐系统、联邦学习、机器学习、数据安全其中一到两个领域有较好的了解。
讲师简介
谭奔，微众银行高级研究员，博士毕业于香港科技大学，主要研究方向为迁移学习、推荐系统、机器学习等，目前在微众银行人工智能部门负责推荐算法研发工作，曾就职于腾讯，负责广告转化率预估、商品推荐等工作。在 KDD、AAAI、SDM、TIST 等国际学术期刊会议上发表论文 10 余篇，多次担任 WWW、IJCAI、CIKM、SDM 等国际会议程序委员会委员，多次在国际数据挖掘大赛中名列前茅。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK