مهندس Roblox ML Xiao Yu جایزه Test of Time را دریافت کرد - وبلاگ Roblox

ما خوشحالیم که به مهندس یادگیری ماشین Roblox، شیائو یو و همکارانش به خاطر دریافت جایزه Test of Time در هفدهمین کنفرانس بین المللی ACM جستجوی وب و داده کاوی (WSDM 2024). جایزه آزمون زمان نشانی از تأثیر تاریخی و تشخیص این موضوع است که این تحقیق روند و جهت این رشته را تغییر داده است. این نشریه تحقیقاتی مربوط به 10 سال پیش را می شناسد که تأثیری ماندگار داشته است.

کاغذ برنده، "توصیه نهاد شخصی: یک رویکرد شبکه اطلاعاتی ناهمگون” اولین بار در WSDM 2014 ارائه شد، در حالی که یو محققی در دانشگاه ایلینویز در Urbana-Champaign بود. یو در سال 2022 به Roblox پیوست و روی زبان طبیعی، بینایی کامپیوتر، مدل‌های زبان بزرگ و هوش مصنوعی Generative کار کرده است، از جمله کارهای اخیر ما روی ترجمه چت هوش مصنوعی در زمان واقعی و تعدیل صدا در زمان واقعی. 

یو می گوید مقاله برنده جایزه «iمفهوم ویژگی های نهفته مبتنی بر فرامسیر را به عنوان نمایشی برای کاربران و آیتم ها معرفی می کند. این قبل از اینکه یادگیری بازنمایی برای سیستم‌های توصیه‌گر پیشرفته شود، بود. اگرچه پیش از استفاده گسترده از تعبیه‌ها در شبکه‌های ناهمگن و سیستم‌های توصیه‌گر است، مشاهدات و فلسفه ارائه‌شده در این مقاله باعث شد بسیاری از محققان این مشکل را دوباره بررسی کنند و موجی از تحقیقات نوآورانه در این حوزه را برانگیخت.

تحقیقات منتشر شده توسط یو و همکارانش در دهه گذشته به رسمیت شناخته شده است زیرا موتورهای توصیه به طور فزاینده ای در همه جا حاضر شده اند. روش ما با ترکیب اطلاعات ارتباطی متنوع، توصیه‌ها را تا حد زیادی شخصی‌سازی می‌کند که منجر به پیشنهادات دقیق‌تر، مرتبط‌تر و سفارشی‌تر برای کاربران می‌شود. این در سناریوی اضافه بار اطلاعات امروزی، که در آن افراد با توصیه های نامربوط بمباران می شوند، بسیار مهم است.

«قبل از این مقاله، سیستم‌های توصیه‌گر ترکیبی مبتنی بر نمودار اغلب از یک نوع رابطه استفاده می‌کردند، مانند اینکه آیا کاربر قبلاً یک مورد خاص را خریداری کرده است یا خیر. این یکی از اولین رویکردها برای اعمال نفوذ ناهمگونی روابط در یک شبکه بود. با مدل‌سازی روابط مختلف، سیستم توصیه‌گر پیشنهادی می‌تواند درک غنی‌تر و دقیق‌تری از ترجیحات کاربر و ویژگی‌های آیتم به دست آورد.

درباره تحقیقات اخیر هوش مصنوعی در Roblox بیاموزید اینجا کلیک نمایید.