2018年10月31日讨论班报告

各位老师，同学：

时间：10月31日讨论班 15:30-17:00

地点：教学楼5-308

报告内容：

孟倩雯 Personalized Disease Prediction Using a CNN-Based Similarity Learning Method

准确预测患者某种疾病的发病风险在公共卫生中起着重要的作用，尤其是在早期阶段，使患者能够及时采取预防措施。疾病风险预测的传统方法是<one-size-fit-all> 模型，即使用所有可用的训练数据来建立一个全局模型，然后使用该通用的模型预测每个测试患者的发病风险。使用全局模型虽然能够捕获到基于整个训练人群的全局信息，但可能会遗漏一些对个体患者重要的特定信息。个性化预测建模旨在发现个体患者的独特特征，并建立针对患者的特定预测。实验结果表明，文章提出的融合时间的CNN模型可以更好地表示EHR序列，利用端到端的框架来计算成对患者的相似度优于广泛使用的距离度量，此外，采用加权采样法可以提升个性化预测的精度。

于福强 Learning Tree-based Deep Model for Recommender Systems

近年来，基于模型的方法已经被广泛研究并用于推荐系统。但是在具有庞大候选集的系统中，评估所有user - item对的计算量非常大，这使得基于模型的推荐技术难以直接使用。为了克服计算障碍，依赖于内积形式的矩阵分解模型被使用。然而，这又存在新的问题，user和item之间更具表现力的交互没有被应用。为此，本文提出了一种新的基于树的深度模型。主要思路是通过以自上而下的方式遍历树节点，并为每个用户 - 节点对做出决策来预测用户从粗到精的兴趣。还可以通过学习树结构以更好地兼容用户的兴趣分布，从而提升训练和预测效果。本文在两个大型现实世界数据集进行了实验评估，结果表明本文所提出的方法明显优于传统方法。淘宝网上显示广告平台的在线A / B测试结果也证明了该方法在生产环境中的有效性。

下周报告人 司明皎，华冠齐