- shima__shima
- 4020
- 16
- 1
- 0
Robot traffic grew from 6 to 36% from 2011 to 2016 @claudia_perlich keynote #recsys2016 #programmaticadvertising
2016-09-17 22:30:39Interesting picture of humans vs. Bots predictability at #recsys2016 pic.twitter.com/EY2p5PJjl6
2016-09-17 22:33:26Bots we can predict but human is still a mystery, well to some extent ! #recsys2016 @wernergeyer @casey_dugan pic.twitter.com/Wh1u0lMSy7
2016-09-17 22:39:04#AdTech models that exploit just predictability end up targeting bots and accidents. ~ @claudia_perlich #recsys2016 pic.twitter.com/WXEjm93JdD
2016-09-17 22:43:34Should we predict everything ? My answer is NO. Too many biases, too much paternalism. #recsys2016 pic.twitter.com/Khij3N5mQg
2016-09-17 22:49:23Predictability bias: 'models tend to go where the signal is" by Claudia Perlich #recsys2016
2016-09-17 22:50:52Claudia Perlich #recsys2016 @ Kresge Auditorium instagram.com/p/BKdZ1XcABO9/
2016-09-17 22:53:55Amazing keynote talk by @claudia_perlich #recsys2016 #MIT pic.twitter.com/jvEDM7jAqY
2016-09-17 22:55:39Great keynote, interesting questions #recsys2016 @claudia_perlich pic.twitter.com/o2A2y4Bv8g
2016-09-17 22:59:56去年はアカデミアから私しか来てなかったけど,今年は朝のうちに4〜5人会った. 解参加者 560人,43ヶ国,Past, Present & Future の新トラック,投稿数 long 29/159,short 22/110 PPF 9/25
2016-09-17 23:23:38キーワードで CF や ML とか一般的的なものを覗けば context, diversity, human, neural network が特徴.human in th loop というセッションとかは新しい.
2016-09-17 23:23:48Spotify / Netflix / Pandora / OpenTable スポンサーの中に(たぶん)初めて日本からシルバーエッグが加わっていた.
2016-09-17 23:23:58#recsys2016 acceptance statistics trend pic.twitter.com/bUnE6WOpWM
2016-09-17 23:27:32#recsys2016 Accepted Papers - Authors by Country pic.twitter.com/WAxij2vgnL
2016-09-17 23:28:16最初の Keynote は Claudia Perlich さん.以前 IBM にいて,今は Diversity というWeb広告関係のところに.leakage に形式的定義を与えようとする KDD2011 のベストペーパは印象に残っている.Mac におしゃれなラッピングしてた.
2016-09-17 23:28:58広告では閲覧したサイトに基づいてクリック率を予測することになる.同時に閲覧されるサイトの重複は年々大きくなってきていて予測は難しくなってきている.
2016-09-17 23:29:10機械学習アルゴリズムの predictability bias:予測しやすいところを重点的にモデル化してしまう.特徴数は増えると,予測しやすいところはどんどん当たるようになるが,そうでないところはどんどん当たらなくなる傾向を示していた.
2016-09-17 23:29:17というわけで,変に予測しやすい事例というのは,実用的な予測には非常に悪い影響を与える.ボットによるアクセスや,操作ミスによるクリックは取り除く作業は非常に重要と.
2016-09-17 23:29:24位置データはあまり信頼出来ないらしい.スーパーマン効果:30%のスマートフォン利用者の30%は音速より高速で移動するとか,people pile:一カ所に信じられない数の人間が集積しているとか
2016-09-17 23:29:34About to give a talk on the Past, Present & Future of Recommender Systems at #recsys2016! usabart.nl/recsys pic.twitter.com/ZDCZ1jy3kO
2016-09-17 23:33:35Introducing @marsbotapp to #recsys2016, "building a personal assistant" starting in a... swarmapp.com/c/bnT3Wqf1Wwr pic.twitter.com/335W9cQNzG
2016-09-17 23:34:21Industry session is getting busy!!! Can't wait for @Bloomberg to talk! #recsys2016 pic.twitter.com/n3ys4fod20
2016-09-17 23:42:12"#RecSys with a purpose" @dietmarjannach #recsys2016 pic.twitter.com/Koxw9UckVK
2016-09-17 23:43:28Saul starting the industry track. @ElsevierLabs #recsys2016 pic.twitter.com/bJn7aKX7r8
2016-09-17 23:45:53What's good in what domain? Do we oversimplify things? Interesting talk from @dietmarjannach #recsys2016 pic.twitter.com/CqFma1jupS
2016-09-17 23:47:32