Xiao Yu, ingegnere ML di Roblox, riceve il premio "Test of Time"
Siamo lieti di congratularci con Xiao Yu, ingegnere di machine learning di Roblox, e i suoi coautori per aver ricevuto il premio Test of Time alla 17a Conferenza internazionale ACM sulla ricerca web e il data mining (WSDM 2024). Il premio Test of Time è un riconoscimento dell'impatto storico e del fatto che la ricerca ha cambiato le tendenze e la direzione della disciplina. Premia una pubblicazione di ricerca di 10 anni fa che ha avuto un'influenza duratura.
L'articolo vincitore, "Personalized Entity Recommendation: A Heterogeneous Information Network Approach", è stato presentato per la prima volta al WSDM 2014, quando Yu era ricercatore presso l'Università dell'Illinois a Urbana-Champaign. Yu è entrato a far parte di Roblox nel 2022 e ha lavorato su linguaggio naturale, visione artificiale, modelli linguistici di grandi dimensioni e IA generativa, compreso il nostro recente lavoro sulla traduzione in tempo reale tramite chat AI e la moderazione vocale in tempo reale.
Yu afferma che l’articolo premiato “introduce il concetto di caratteristiche latenti basate su meta-percorsi come rappresentazioni per utenti e elementi. Ciò avvenne prima che l’apprendimento delle rappresentazioni diventasse lo stato dell’arte per i sistemi di raccomandazione. Sebbene sia antecedente all’uso diffuso degli embedding nelle reti eterogenee e nei sistemi di raccomandazione, le osservazioni e la filosofia presentate in questo articolo hanno ispirato molti ricercatori a riesaminare questo problema e hanno dato il via a un’ondata di ricerca innovativa in questo campo”.
La ricerca pubblicata da Yu e colleghi ha ottenuto un riconoscimento significativo nell’ultimo decennio, man mano che i motori di raccomandazione sono diventati sempre più onnipresenti. “Incorporando informazioni relazionali diversificate, il nostro metodo personalizza le raccomandazioni in misura maggiore, portando a suggerimenti più accurati, pertinenti e su misura per gli utenti. Questo è cruciale nell’odierno scenario di sovraccarico di informazioni, in cui le persone sono bombardate da raccomandazioni irrilevanti”, afferma Yu.
“Prima di questo articolo, i sistemi di raccomandazione ibridi basati su grafi utilizzavano spesso un unico tipo di relazione, ad esempio se un utente avesse acquistato un determinato articolo in precedenza. Questo è stato uno dei primi approcci a sfruttare l’eterogeneità delle relazioni all’interno di una rete. Modellando varie relazioni, il sistema di raccomandazione proposto è in grado di cogliere una comprensione più ricca e sfumata delle preferenze degli utenti e delle caratteristiche degli articoli.”
Scopri qui le recenti ricerche sull’IA condotte da Roblox.
