‹
洪亮劼
洪亮劼
洪亮劼
Nokia全球副总裁，负责人工智能算法。前LinkedIn工程总监、前Etsy工程总监、前雅虎研究院高级研发经理。
海外 2012.12 加入
1270关注
1.8万粉丝
713微博
洪亮劼
2026-06-21 04:46来自 iPhone客户端
上个月去慕尼黑参加了我的首个诺基亚核心网用户组（CUG）大会，直接被行业的新浪潮充饱了电！🔋 这个拥有30多年历史的全球技术盛会，今年的火爆程度创了纪录。在巴伐利亚惬意的夏夜里，我和全球的同行们聊透了一个趋势：电信AI正在撕掉“辅助副驾驶”的面具，真正融入网络的骨髓。 几点硬核观察分 ​
0
1
3
洪亮劼
2026-05-11 01:56来自 微博网页版
如果你还在用刷榜数据衡量工业界论文的价值，建议先问自己一个更根本的问题：这份研究，到底是做给谁看的。 过去几年，AI顶会上出现了两种截然不同的工业界论文。一种解决了只有头部工程团队才会遇到的规模化问题，它的影响不体现在榜单排名上，而是重写了整个领域的计算范式。另一种宣称在多项评测中 ​
2
0
16
洪亮劼
2026-05-03 09:56来自 微博网页版
如果你现在还在做“AI as a Service”，建议先问自己一个更根本的问题：你卖的到底是什么。 2023年，AI融资热潮席卷整个科技行业，两千多家公司打着“AI平台”“AI中间件”“AI即服务”的标签拿钱，逻辑几乎完美复刻SaaS黄金时代，能力稀缺、需求爆炸、规模化交付，很多人相信这会诞生下一个Salesforc ​
3
0
4
洪亮劼
2026-04-26 23:48来自 微博网页版
AI 团队为什么总是失败？ 不是因为人不够强。 腾讯、百度、Meta，都请过最顶级的研究员。 但结果几乎一模一样：研究院 → 边缘化 → 解散 / 变形 问题出在哪？ 一句话：“研究会自然流向产品”——这是个错误假设。它从来没有发生过。 更扎心的是很多公司以为自己有“全栈 AI 团队”： 研究员 + ​
26
1
26
洪亮劼
2025-09-29 01:06来自 微博网页版
强化学习（Reinforcement Learning）利用于大语言模型（Large Language Model）的训练在年初DeepSeek的发布中可以说是展现的淋漓尽致，那么在更广意义上的产生式AI（Generative AI）又和强化学习有什么关联呢？ 在ICML 2025上，来自Benjamin Eysenbach（http://t.cn/AX7JG7fJ）和Amy Zhang（ ​
30
1
12
洪亮劼
2025-08-17 01:38来自 微博网页版
当我第一次走上管理岗位时，心里有个挥之不去的疑问：如何带好团队？直到最近读完一本短小精悍的书，我才意识到——管理其实就是陪伴团队走过“组建—风暴—成规—高效”的循环。 书里没有空洞的大词，而是充满了实操方法：如何真正认识你的队友、如何在风暴期既当导师又当教练、如何传递那些自己都不 ​
13
1
19
洪亮劼
2025-08-05 10:21来自 微博网页版
20年前，一句“科技以人为本”的广告词让我感到了这个品牌的人文温度。 20年后，我今天以专注于人工智能的全球副总裁的身份加入了诺基亚（Nokia）这家成立于1865年的百年企业，推动人工智能对通信行业的赋能以及深度整合。 你有没有经历过在音乐会上、体育赛事中希望使用手机来纪录精彩的瞬间，但发 ​
4
3
10
洪亮劼
2025-07-13 01:56来自 微博网页版
世界中的大量数据是存在关系数据库（Relational Database）中的。对这些数据的表征、挖掘以及进行大规模预测一直是数据库研究以及机器学习研究中的重要课题。那么在深度学习和大语言模型当道的今天，对于关系数据库的理解是不是又能上一个台阶呢？ 最近，来自斯坦福大学的学者其中包括“图学习”（Gra ​
32
1
24
洪亮劼
2025-06-29 11:44来自 微博网页版
搜索信息（Information Seeking）是人们自计算机诞生以来一直都孜孜不倦希望能够通过计算机来实现大规模化的任务。互联网技术的诞生催生了基于信息检索（Information Retrieval）的搜索引擎技术。在过去30年间，搜索引擎技术经过了基于”单词“（Lexical）的倒排索引，以及基于机器学习的”排序学习“ ​
14
0
26
洪亮劼
2025-05-12 01:11来自 微博网页版
Machine Unlearning是最近几年因为人工智能技术广泛应用后所产生的一个新的领域。这个领域主要是因为立法以及隐私的要求，特别是在一些国家和地区（比如欧盟）对于人工智能的部署有明确法律要求的情况下，部署的应用能够根据要求把一些训练数据的影响给消除。 CVPR 2024上，来自Michigan State Univer ​
14
3
12
洪亮劼
2025-04-28 01:48来自 微博网页版
如果评估大语言模型的性能一直以来都是其最大的痛点。有没有比较好的经验和总结呢？在AAAI 2025上的短课程“Evaluating Large Language Models: Challenges and Methods”（http://t.cn/A6dXv50m）就尝试从多方面对这个方面的工作进行一些阶段性的总结。 这个短课程提到这么三个方面的趋势：1）评价正 ​
60
0
43
洪亮劼
2025-04-14 00:54来自 微博网页版
在大语言模型（“Large Language Models”）广泛被普通消费者使用的今天，人们已经习惯性得把它们当做了某种程度的知识库（“Knowledge Base”），对其提出各种问题。那么，大语言模型究竟作为知识库的究竟靠不靠谱呢？ 来自好几个学校和机构的学者在AAAI 2025上做了一个叫“The Lifecycle of Knowled ​
74
1
47
洪亮劼
2025-03-31 01:12来自 微博网页版
最近机器学习权威学者Michael Jordan在一个巴黎的AI峰会上提到了，他认为AI发展的下一个重要的区域是和经济学的一些思想结合，研究“市场”（Markets）的演化。 AAAI 2025上Zhiwei (Tony) Qin、Chengchun Shi和Hongtu Zhu做了一个叫“Decision Intelligence for Two-sided Marketplaces”（ ​
23
2
22
洪亮劼
2025-03-24 05:13来自 微博网页版
在传统的“机器学习”（Machine Learning）领域，有一系列的理论和观点来帮助我们理解不同模型的行为。那么，在“大语言模型”（Large Language Models）大行其道的今天，我们是不是也能够找到一批理解这些模型的规范呢？ 在AAAI 2025大会上，Chi Han（http://t.cn/A6BnZ2yN）和Heng Ji（ ​
76
4
49
洪亮劼
2025-03-17 01:06来自 微博网页版
我们上次提到一个最近几年兴起的研究方向“产生式信息检索”（Generative Information Retrieval）。这个方向的中心思想是用“大语言模型”（Large Language Models）来作为“信息检索”的核心组件，从而替代经典信息检索中的“倒排索引”以及其他的一些构件。 SIGIR 2024上有一个深入讲解这方面前沿 ​
51
1
28
洪亮劼
2025-03-10 00:44来自 微博网页版
Marc A. Najork（http://t.cn/A6B2pLz5）是Google DeepMind的Distinguished Research Scientist。他在信息检索（Information Retrieval）领域有长期的突出贡献，曾经担任重要期刊ACM Transactions on the Web的主编。其也是四院院士AAAS院士, ACM院士, IEEE院士和AAIA院士。 Marc在SIGIR 2023上题为“ ​
17
0
11
洪亮劼
2024-11-25 06:52来自 微博网页版
如果说大语言模型（Large Language Models -- LLMs）领域最困难是如何训练有效的模型，那么同样困扰大多数从业人员则是如何有效得衡量LLMs的有效性。的确，如果没法进行有效的测量，我们就无法在纷扰的模型和数据集中挑选出符合自身应用需求的模型。 ICML 2024上来自EleutherAI 的Lintang Sutawika和H ​
39
0
30
洪亮劼
2024-11-18 07:25来自 微博网页版
Graph Learning是一个利用“图”（Graph）信息来进行机器学习的领域。这个领域在过去的20-25年里，经历过多次的重大革新。1998年，Google的创始人Larry Page和 Sergey Brin 发表的PageRank算法和Jon Kleinberg提出HITS algorithm（http://t.cn/A6ng5vMz），搜索引擎算法早期的辉煌就来自于对于图算法的 ​
63
5
49
洪亮劼
2024-11-11 04:35来自 微博网页版
LLM到底能不能进行“推理”（Reasoning）和“计划”（Planning）？这是牵涉到LLM是不是真正有一定智能的根本问题。目前在学术界和工业界，对于这个问题有很强大的两派观点。赞同的人认为LLM目前在很多实用的数据集上已经有了不错的表现，的确是智能的表现，而反对的人则举出了一些实例来论证这些智能都 ​
112
5
66
洪亮劼
2024-10-28 05:27来自 微博网页版
在最近10年的人工智能和机器学习快速迭代的浪潮中，有一个说法深得众多硬件以及软件生产商的认同，那就是所谓的，“大力出奇迹”。这里面的“大力”有两层含义，第一层是算力的提升，随着GPU技术的创新，我们可以寄希望于硬件可以在相同的数据量上提升计算的单位时间。第二层是对数据量处理的提升，特 ​
15
2
18
洪亮劼
2024-10-21 05:18来自 微博网页版
机器学习算法已经广泛应用于社会的各行各业。不少应用场景，其实是利用这些机器学习算法来针对一些事件进行决策，比如说是银行审批贷款；学校审批入学申请；研究机构审批基金申请，甚至到判别犯罪情况等等。我们现在知道，这些和真实事件有关联的算法都有较高的种种风险。这些风险来自于算法的结果会作 ​
12
1
15
洪亮劼
2024-10-15 05:48来自 微博网页版
在机器学习的任务中，我们往往想知道为什么模型会输出某种结果，特别是当结果和我们的预期有一定初入的时候。比如，某个图片分类器把猫的图片认成了狗。在这样的情况下，除了我们经常可以做的也就是去检查模型的“有效性”以外，我们往往还希望知道数据，特别是训练数据对于这样结果的影响。这也就是所 ​
6
0
12
洪亮劼
2024-10-10 10:49来自 iPhone客户端
转发微博
今年诺贝尔理化生7个诺奖中有3个都是Google员工或者前员工，由此可见企业在理工科领域扮演着越来越重要的角色，尤其是工程和技术开发，工业界有着学术界难以企及的技术和经费。 ​
3
0
6
洪亮劼
2024-10-07 00:51来自 微博网页版
LLM在很多自然语言任务上都展现出来相当高的能力，使得目前不少研发人员想到，能否用LLM为其他的机器学习任务产生标注（Label）数据。众所周知，产生标注数据是机器学习中及其耗费人工的一个环节，并且往往是整个系统的瓶颈。那么如果LLM能够自动产生大量廉价的标注，势必可以提升很多系统的整体效能。 ​
19
3
34
洪亮劼
2024-09-30 00:21来自 微博网页版
在日常生活中人们已经随处看到或者感受到人工智能和机器学习算法对于自身的影响。比如，推荐算法引导餐厅的客流量；再比如，GPS导航能够让道路出现拥堵；再比如，电商的推荐让某种商品大卖等等。这些都是算法的结果并不简简单单是某种意义的预测（“Prediction”），而是对其所在的预测环境产生了印象 ​
15
4
17
洪亮劼
2024-09-23 06:58来自 微博网页版
在线A/B测试是互联网公司进行产品迭代的重要基石。对于很多人而言，A/B测试的整个流程仿佛是金科玉律，无法改变。来自Ron Kohavi和Nanyu Chen的KDD 2024的论文"False Positives in A/B Tests"（http://t.cn/A6ELK1Sh）深刻的讨论了A/B测试中的各种类型的“误报”，其中的一些统计数字其实是相当令人震 ​
39
0
26
洪亮劼
2024-09-16 12:44来自 微博网页版
在最近举行的KDD 2024大会上，来自University of Virginia和Case Western Reserve University的一批学者做了一个题为“Causal Inference with Latent Variables: Recent Advances & Future Prospectives”的教程（http://t.cn/A6RkSoHi）。整个教程可以说是对于因果推理进行了深入浅出的讲解，非常适合 ​
38
1
51
洪亮劼
2023-11-08 13:23来自 iPhone客户端
转发微博
人类迟早要接受不可解释的领域知识。可解释性研究进展得再快，也不如这些知识增长得快，也不如神经网络发展得快。可解释的领域知识终将成为历史产物。 ​
3
0
3
洪亮劼
2022-11-14 03:09来自 微博网页版
近年来迅猛发展的NLP领域是否让大家会有一种感觉就是所有的NLP问题都已经得到彻底解决了呢？答案当然是否定的。在KDD 2022上，来自UIUC的Xuan Wang、Hongwei Wang、Heng Ji和Jiawei Han就进行了一场题为”New Frontiers of Scientific Text Mining: Tasks, Data, and Tools“的讲座，重点讲解了NLP在科 ​
72
8
54
洪亮劼
2022-11-07 01:56来自 微博网页版
在今年的UAI 2021上，来自汉堡大学的学者Philipp Bach和Martin Spindler进行了一场关于“Double Machine Learning”（DML）的讲座。那么什么是DML呢？传统的机器学习的作用是从一组特征（Attribute）到一组标签（Label）的“预测性建模”（Predictive Modeling）。类似的，传统的因果推断（Causal Infe ​
50
3
46
洪亮劼
2022-10-16 01:22来自 微博网页版
网飞（Netflix）的公司文化一直以来在业界都有一种神秘的色彩。我在2012年左右也有幸到网飞面试，非常短暂得近距离解接触了这个公司的某个切面。虽然之后因为种种原因并没有加入网飞，但这家公司却一直吸引着我的注意力。 2020年出版的“No Rules Rules – Netflix and the Culture of Reinvention” ​
42
1
26
洪亮劼
2022-09-18 01:23来自 微博网页版
在实际推荐系统的工作中，有不少场景中数据的关系可以表示成某种抽象的图中不同节点的关系。这也是基于图的推荐系统的核心思想。 在今年的KDD 2022上，工程师和研究人员带来了一个题为“Graph Representation Learning for Web-Scale Recommender Systems”的讲座。讲座的内容涵盖了三个大的方向：第 ​
46
2
33
洪亮劼
2022-09-07 11:33来自 iPhone客户端
Graph Neural Networks（GNN）在近几年的研究和应用中可以说是炙手可热。每年以Graph为名的论文数呈现井喷态势。而在最近的KDD大会上，目测有三分之二左右的大会内容和图或GNN有直接或者间接的联系。然而要想在繁多的论文中理出头绪，对于初学者和普通工程师而言，是一件非常具有挑战的事情。 在KDD 2 ​
40
2
39
洪亮劼
2022-08-29 04:57来自 微博网页版
KDD 2022上来自康奈尔大学的Yuta Saito和Thorsten Joachims教授作了一堂题为“Counterfactual Evaluation and Learning for Interactive Systems”（counterfactual-ml.github.io/kdd2022-tutorial/）的讲座。 在机器学习应用中，我们常常发现部署环境和模型的研发环境有很大的差别。这种情况往往被称 ​
33
0
32
洪亮劼
2022-08-22 02:24来自 微博网页版
为期一周的KDD 2022大会圆满落幕。这是既2020年初WSDM 2020之后时隔两年半，我参加的第一场线下举行的业界盛会。虽然疫情依然对这次大会有不小的影响，基本上所有来自中国的学者和公司都无法顺利参会，但参会者普遍表现出了非常高的热情以及对希望能够回到疫情前业界交流程度的渴望。   针对这次KDD 20 ​
18
2
30
洪亮劼
2022-04-11 01:55来自 微博网页版
下一代的人工智能系统会是什么样的设计呢？在下一代的系统中又有哪些组件是需要我们深入思考的呢？日前，图灵奖获得者之一的Yann LeCun在题为“A Path Towards Autonomous AI”的演讲中，畅谈了他对于未来人工智能系统的设想和一些比较细节的讨论。在他的设计中，未来的人工智能系统会有六大模块—— C ​
39
1
26
洪亮劼
2022-04-02 05:13来自 iPhone客户端
非常赞同。
感觉咱们国内学者太满足于给国外学者打工了。一次又一次，某个国外学者做出了个原创性的工作，掀起一片浪潮，一批国内学者迅速跟进，做些改进和扩展。虽然不少工作也称得上优秀，但真的不应该满足于此。物质条件都有，智力上也不差，就是精神上自我阉割了。 ​
14
0
15
洪亮劼
2022-03-20 00:54来自 微博网页版
在Email中搜寻相关的内容，是一个相对来说比较冷门的应用。来自Google Research的Michael Bendersky、Xuanhui Wang、Marc Najork和Donald Metzler在WSDM 2022上举办了一个关于Search and Discovery in Personal Email Collections的讲座（GitHub上搜索bendersky/sdpe-tutorial）。这个讲座涵盖了邮件搜 ​
10
0
19
洪亮劼
2022-01-05 00:34来自 微博网页版
近年来，Self-Prediction和Contrastive Learning成为机器学习界逐渐火热并且成熟的技术话题。在最近的NeurlPS 2021会议上，来自OpenAI的Lilian Weng 和Jong Wook Kim进行了一场关于Self-Supervised Learning: Self-Prediction and Contrastive Learning的讲座（http://t.cn/A6JwdGZR）。 这一个讲座的 ​
149
12
81
洪亮劼
2022-01-02 05:16来自 微博网页版
目前在苏黎世联邦理工学院（ETH Zurich）任教的Alessio Figalli教授在最近的NeurlPS 2021上对于Optimal Transport（http://t.cn/A6Jz4wb9）这一在数学、经济、人工智能等领域都有广泛应用的问题进行了一个精彩的主旨演讲。 Alessio本人（http://t.cn/A6Jz4wbC）在数学的诸多领域都有所建树，并且2018 ​
36
3
33
洪亮劼
2021-12-26 04:04来自 微博网页版
在机器学习中，有时候一些看似非常简单容易的问题中，蕴藏着可能异常困难的角度，在今年的NeurlPS 2021大会上，来自西班牙Pompeu Fabra University的Gabor Lugosi教授，给了一个关于如何预测均值的主体演讲（http://t.cn/A6xDM2Ef），向大家展示了我们想象中的某些简单问题依然有很大的困难程度。 预 ​
24
0
27
洪亮劼
2021-12-24 02:15来自 微博网页版
在传统机器学习和统计的认知中，如果一个模型过于复杂，拥有过多的参数，那么这个模型往往会有所谓的“过拟合”（Overfitting）的风险。然而，在近年来风靡的深度神经网络的实践中，我们发现，很多模型拥有“过参数化”（Over-parameterization）的特性，模型效果，特别是在测试集上的效果依然很好。所 ​
89
2
68
洪亮劼
2021-09-20 13:15来自 微博网页版
在日常工作中，经常有年轻的工程师或科学家询问我对于他们的某一个想法（Idea）的参考意见。让他们常常感到有一些差异的是，我往往不会马上对这一个想法说出我的思考，而是反问一个很普通的问题“你能给我说一下这个想法要解决什么产品问题？”很多时候，对方会显得很错愕，不知道怎么回答。 在工业界 ​
12
3
29
洪亮劼
2021-09-15 12:31来自 微博网页版
知识图谱（Knowledge Graph）是互联网应用中重要的基础设施。不少的推荐以及搜索问题，都依赖我们能够针对海量的信息进行知识层面的分析和扩展。知识图谱的构建一直以来都是很多互联网应用或者企业可遇不可求的难点。 在KDD 2021上，来自Amazon的一群科学家对如何构建知识图谱，特别是电商应用下的商 ​
37
2
29
洪亮劼
2021-09-11 13:39来自 微博网页版
这几年“因果推断”（Causal Inference）和机器学习的结合引起了很多学术圈和工业界学者和实践者的注意。在KDD 2021上，来自Uber和微软的数据科学家和研究人员共同举办了一个关于因果推断的实践讲座“Causal Inference and Machine Learning in Practice with EconML and CausalML”（Google搜索名字） ​
23
2
31
洪亮劼
2021-09-07 12:05来自 微博网页版
对于互联网产品做数据科学或者是人工智能算法提升，最难的恐怕就是对于用户指标的理解和迭代。虽然我们都知道“点击率”这样的简单指标是远远不够的，但究竟对于手中的产品，如何理解提出的指标是否真正抓住了用户的使用规律，以及用户数据是否能够真正反映我们对于产品的假设，这些都是非常重要的研究 ​
27
0
23
洪亮劼
2021-06-07 01:15来自 微博网页版
“个性化”几乎成为当今众多互联网服务的标配。然而，要做好个性化服务，我们其实有很多方面需要考虑。 在WSDM 2021会议上，来自Booking.Com的研发人员和科学家讲授了一个叫”Personalization in Practice“（http://t.cn/A6VQGNtP）的短课程。 课程有五个部分，是对于”个性化“服务技术点的一个综 ​
43
0
26
洪亮劼
2021-05-25 13:45来自 微博 weibo.com
我们通常在搜索或者推荐系统中所说的排序（Ranking）往往是针对单一文档进行建模。这样的模型好处自然是简单快捷，不足之处是现实中往往有众多的应用场景无法满足我们仅仅对单一文档进行建模。WSDM 2021中来自中科院的Liang Pang、犹他大学的Qingyan Ai以及人名大学的Jun Xu进行了关于如何对文档之间的 ​
11
0
12
洪亮劼
2021-05-24 01:27来自 微博 weibo.com
近些年来，随着AI在各个领域中得到广泛应用，如何理解各类模型的输出变成一件非常重要而又棘手的工作。来自哈佛大学的Hima Lakkaraju、麻省理工学院的Julius Adebayo以及加州大学埃尔文分院的Sameer Singh在最近的AAAI 2021上对机器学习的可解释性这一前沿课题进行了总结（Google搜索“explainml-tutor ​
30
3
24
洪亮劼
2021-02-23 04:26来自 iPhone客户端
//@龙星镖局://@yaolubrain:再比如说kernel method。我从来都不看好kernel method的应用前景，认为去钻研其大规模的应用有些费力不讨好。但个人理解kernel method的重要意义在于：它提供了一种新的视角看待函数。在这个视角下，我们可以解释函数更多的性质，让某些原来看不清的东西现在变清楚了。
很多同学读到神经网络理论文章总是先问，这有什么用呢？潜台词就是这东西能拿来刷榜吗？如果不能，就跳过阅读艰深的数学，轻易地否定别人的工作。不妨换个思路去想想：神经网络无非就是个函数，只是我们对其数学性质所知甚少。一篇文章如果能增进我们对其数学性质的认识，在我看来，就是非常有用的。 ​
3
0
4
洪亮劼
2020-12-16 12:45来自 微博 weibo.com
在我之前的一篇专栏文章《浅谈工业级推荐系统》（http://t.cn/A6bGQ9qh）中，我谈到了在绝大多数情况下，机器学习系统的目标和产品目标之间存在着巨大差异，因此而带来的有可能模型的提高未必能带来更好的产品体验这一问题。 在近日举行的人工智能顶级会议NeurIPS 2020上，来自Spotify、微软的一组学 ​
40
5
37
洪亮劼
2020-12-14 05:15来自 iPhone客户端
很多领域目前都有类似问题。
最近感觉当前计算机视觉的研究越来越无趣了。多数文章都是千篇一律：造数据集，在Pytorch下搭积木调参数。reviewer一般就两个问题：是不是state-of-the-art？ablation做的够不够？其实视觉里有很多深刻的问题，只是当前的做法实在有些乏味。 ​
13
0
15
洪亮劼
2020-12-14 02:15来自 微博 weibo.com
人工智能的核心问题其实就是如果让我们设计的模型和算法能够在未知的数据上有不错的表象。这也就是我们时常提及的“模型的泛化”能力。日前在人工智能的顶级会议NeurIPS 2020上，Francois Chollet和Melanie Mitchell做了一个关于“抽象和推理”（http://t.cn/A6q5Vj5N)的教程，来阐述在深度学习蓬勃发 ​
103
3
50
洪亮劼
2020-10-05 07:18来自 iPhone客户端
我于2020年8月受“第一届工业级推荐系统研讨会”的邀请，做了题为“工业级推荐系统最新的挑战和发展”的主题演讲。我们就依据这个演讲的内容作为一个起点，来聊一聊工业级推荐系统的一些特点，尤其是和推荐系统的学术研究有着哪些不同的侧重点。点击打开全文：http://t.cn/A6bGQ9qh ​
46
3
24
洪亮劼
2020-08-23 07:48来自 iPhone客户端
在今年的KDD 2020大会上，我即将有幸参与到多个内容模块。 首先，在8月23日周日早上8点到12点，我和Spotify总监 Mounia Lalmas-Roelleke将一起开展一个关于“Online User Engagement: Metrics and Optimization”的讲座。这个讲座是我们第三次教授类似内容（第一次在WSDM 2018，第二次在WWW 2019）， ​
11
0
22
洪亮劼
2020-07-10 13:19来自 微博 weibo.com
有人问我，有没有很容易上手的简明扼要的技术管理书籍？今天我们就来总结这么一本技术管理书籍《韧性管理》Resilient Management。点击链接查看总结全文：http://t.cn/A6yxeAsF） 作者Lara Hogan (http://t.cn/A6yxeAsg) 是资深的科技公司职业经理人。她先后于Etsy和Kickstarter担任重要的技术领导人 ​
20
0
16
洪亮劼
2020-06-28 06:12来自 微博 weibo.com
很多人经常问我，对于机器学习的理论入门，有没有什么比较好的简明教程。那么，今天我们就来要来分享一下技术书籍《从数据中学习》（http://t.cn/A6Ldq2hs） 这本书是一本浅显易懂的机器学习理论知识的入门教材。对于机器学习感兴趣的工程师和希望在理论知识上更进一步的数据科学家可以通过本书来快速 ​
398
26
168
洪亮劼
2020-05-13 14:01来自 iPhone客户端
Ron Kohavi是我认识的学者少数中真正认真贯彻科研、科普和践行三位一体的理论与实践结合的科学家。他本人参与有关在线实验的一线科研论文的撰写，还参与传播、科普（包括最近写的总结性质的书籍《值得信赖的在线可控实验——A/B实验实用向导》，看我对书的总结：http://t.cn/A6Aji1er)以及宣讲这方面的 ​
22
1
23
洪亮劼
2020-05-09 06:59来自 微博 weibo.com
在线实验或者叫在线A/B测试，已经成为了很多互联网公司数据平台的标配。那么，你是不是真的就对在线实验的原理和其中的一些陷阱与挑战理解透彻了呢？ 今天我们就来看看最近出版的技术书籍Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing（点击全文： ​
117
8
56
洪亮劼
2020-04-23 05:19来自 iPhone客户端
转发微博
ICLR 2020 时间开启，分析一下发现历史以来引用最多的华人学者是Song Han。。。 http://t.cn/A6wmCoHu 引用最高的论文是Adam: A Method for Stochastic Optimization，这是经典了不用说；引用第二的是机器翻译的论文Neural Machine Translation by Jointly Learning to Align and Translate， 原定于 ​
1
0
3
洪亮劼
2020-02-11 12:02来自 iPhone客户端
今天，我加入了LinkedIn（领英）担任工程总监，负责领导人工智能算法在多个企业级应用领域的研发工作。LinkedIn对我来说并不陌生。2011年，将近9年前，我曾经在LinkedIn的早期数据科学团队做过实习。将近9年的时间，LinkedIn已经成长为了一个完全不同的公司，有着不同的优秀人才和大得多的公司规模。我 ​
15
19
178
洪亮劼
2020-02-09 11:55来自 微博 weibo.com
在这周于美国休斯敦举行的“第十三届搜索与数据挖掘大会（The 13th ACM International WSDM）上，我做了一个题为“电商搜索与推荐系统最近的发展和挑战”（Recent Advances and Challenges in E-Commerce Search and Recommendation Systems）的演讲（http://t.cn/A6PFnJ0F）。演讲内容主要是涵盖了最 ​
31
2
27
洪亮劼
2019-12-26 05:13来自 微博 weibo.com
Camille Fournier所写的《经理人之路——技术领袖启航成长与变化的参考书》（http://t.cn/AikkCDSn）一书可以说是作为技术管理人的“宝典”级别的职场参考书。因为作者卡米尔相对丰富的职业经理人晋升经历，因此这本书中提供的很多经验之谈都相当接地气并且有极高的参考价值。 与更加通用的管理书籍相 ​
65
5
35
洪亮劼
2019-12-01 04:35来自 iPhone客户端
//@RuochengGuoASU:我们的工作 A Survey of Learning Causality with Data: Problems and Methods http://t.cn/AigWYCmD 被Scholkopf这篇文章引用了，荣幸荣幸。这篇Survey介绍了很多因果推断所需要学习的基础，包括Rubin和Pearl的两大理论体系，欢迎大家阅读给予反馈意见。
德国著名机器学者Bernhard Schölkopf日前发表了一篇名为“Causality for Machine Learning”（http://t.cn/AigAU2xG）的综述文章。这篇综述文章很值得大家阅读。 在这篇综述文章中，作者表述了这么一些值得思考的观点： 第一，作者阐述了一个核心思想，那就是对因果关系（Causaility）的理解有助于建 ​
184
1
18
洪亮劼
2019-12-01 00:40来自 微博 weibo.com
德国著名机器学者Bernhard Schölkopf日前发表了一篇名为“Causality for Machine Learning”（http://t.cn/AigAU2xG）的综述文章。这篇综述文章很值得大家阅读。 在这篇综述文章中，作者表述了这么一些值得思考的观点： 第一，作者阐述了一个核心思想，那就是对因果关系（Causaility）的理解有助于建 ​
700
37
293
洪亮劼
2019-11-11 05:57来自 iPhone客户端
转发微博
抛砖引玉，欢迎指正！『漫谈人工智能的公平性 | 焦点评论』http://t.cn/AirLGqtF ​
4
0
3
洪亮劼
2019-10-02 21:04来自 iPhone客户端
转发微博
【与他同在渣滓洞的20天，是她一生最珍贵的记忆……】黎明之前的重庆，刘国鋕和他的恋人曾紫霞都被关押在渣滓洞。每当女牢放风时，刘国鋕就会倚在牢门的栅栏边，在人群中寻找曾紫霞的身影。一天，两人隔着监狱的木门，唱起彼此都熟悉的歌，没想到那声哼唱竟成诀别。与刘国鋕同在渣滓洞的20天，成了曾紫 ​
2
0
4
洪亮劼
2019-09-03 00:31来自 iPhone客户端
今天我们要来分享KDD 2019的一个讲座。这个讲座清晰得梳理了基于单个实验的“内次序”（Inner Sequential Process）和基于多个实验的“外次序”（Outer Sequential Process），以及他们之间的关系。同时，这个讲座还涵盖了这方面的重要文献历史，是一份不可多的资料。 这个讲座的作者是来自于时任卡内 ​
20
0
12
洪亮劼
2019-07-31 11:51来自 iPhone客户端
今年KDD 2019，我领导下的Etsy数据科学和机器学习团队将第一次成为KDD大会的赞助商，届时我们将有9名团队成员参与到大会和大家交流和学习。欢迎大家来Etsy的展台交流。 在大会中，我们讲分享两个重要的工作：一个是如何利用Causal Inference来对实验结果进行深入的分析（论文标题 The Identification ​
28
6
33
洪亮劼
2019-05-18 23:42来自 iPhone客户端
转发微博
Unbiased LambdaMART是我们开发的unbiased learning to rank算法。最近代码公开了：http://t.cn/EKDom3N。论文：http://t.cn/EKDom3C ​
22
2
9
洪亮劼
2019-05-13 00:00来自 iPhone客户端
下周二（五月14日），在WWW 2019会议期间，我将会和Spotify研究总监 Mounia Lalmas-Roelleke一起做一个关于“在线用户交互优化”（Online User Engagement）的短课程（Tutorial）：http://t.cn/EKyIaEp。我们在去年的WSDM 2018上曾经做过一个类似的课程并且受到了不少很好的反馈。 如果你下周在旧金山 ​
21
3
27
洪亮劼
2019-05-05 21:47来自 iPhone客户端
转发微博
最好的学术绝不是把两个现成方法简单结合来刷榜。学术佳品一定是创造新知识的工作，是一场发现之旅。拿GAN，BatchNorm，ResNet为例。这些东西在做出来之前，人们会说：这怎么可能？做出来后，人们会说：原来还能这样！要真正创造知识，要去做现阶段觉得不太可能的东西，也意味着更大的时间投入和风险。 ​
15
1
10
洪亮劼
2019-04-30 11:26来自 微博 weibo.com
今年，我所领导的团队有两篇论文被KDD 2019收录。 一篇“Understanding the Role of Style in E-Commerce Shopping”讲如何在电商中发现商品的“样式”从而提升用户的购买率，另一篇“The Identification and Estimation of Direct and Indirect Effects in Online A/B Tests through Causal Mediatio ​
29
6
58
洪亮劼
2019-03-24 12:59来自 iPhone客户端
转发微博
《A Deep Look into Neural Ranking Models for Information Retrieval》J Guo, Y Fan, L Pang, L Yang, Q Ai, H Zamani, C Wu, W. B Croft, X Cheng [University of Chinese Academy of Sciences & University of Massachusetts Amherst] (2019) http://t.cn/EJwncYL view:http://t.cn/EJwncYy ​
19
0
7
洪亮劼
2019-03-14 14:31来自 iPhone客户端
转发微博
#一周一论文# 昨天（3月13日，周三）下午5点在一层香港会议厅，来自微博机器学习部门的刘伟民同学为我们带来了论文分享“Learning and Transferring IDs Representation in E-commerce“，这篇论文是阿里巴巴18年的论文，文中讲述了几个简单实用的ID embedding技巧，推上线后效果很好，召回增长24%，跨 ​
37
0
7
洪亮劼
2019-03-11 13:11来自 iPhone客户端
之前写的一篇关于雅虎研究院的简史的文章。
本文将说一说雅虎研究院的历史，以及过去十多年间取得的成就，聊一聊如何通过引进高级人才，迅速构建起一支世界级的研发团队。当然，也会聊一聊研究院的衰落。发布了头条文章：《曾推出Hadoop却迅速消失，雅虎研究院是如何在10年间衰落的？》 http://t.cn/EMIdSc4 ​
47
2
14
洪亮劼
2019-03-05 13:28来自 iPhone客户端
转发微博
抱歉，根据作者设置的微博可见时间范围，此微博已不可见。 ​
5
1
2
洪亮劼
2019-03-04 12:33来自 iPhone客户端
也非常适合在研发团队工作的人，共勉。 http://t.cn/EIi9m3f ​
21
4
16
洪亮劼
2019-02-18 02:30来自 iPhone客户端
转发微博
如果想不被别有用心的人通过网络公开信息人肉，可以学习这本人肉技术入门书，再按需防护。在这个爆库泛滥实名制滥用的年代，完全不被人肉是不可能的，只是人肉代价多少的问题，做好基本防护应付网上那些雕虫小技的野路子没有问题。 ​
23
1
7
洪亮劼
2019-02-09 01:14来自 iPhone客户端
转发微博
#WSDM2019# 論文集 Proceedings of the Twelfth ACM International Conference on Web Search and Data Mining #wsdm# http://t.cn/EcXmclR ​
12
0
7
洪亮劼
2019-02-07 11:20来自 微博 weibo.com
除夕夜，一位之前的实习生打来电话，希望讨论一下博士毕业后的未来职业规划的问题。 计算机科学博士毕业后特别是从事人工智能有关专业的博士目前在工业界相对比较好找到职位。因此，绝大多数人都不再对研究有什么执著的追求。外加博士毕业后人生规划往往需要兼顾很多外在的因素，因此尽管不少人在博士 ​
9
3
44
洪亮劼
2019-01-28 10:42来自 iPhone客户端
转发微博
【纽约大学“深度学习数学原理”主题课程资料】’Topics course Mathematics of Deep Learning, NYU, Spring 19. CSCI-GA 3033' by Joan Bruna, Luca Venturi GitHub: http://t.cn/Etqct3Q ​
27
0
14
洪亮劼
2019-01-23 13:04来自 微博 weibo.com
Netflix的科学家Harald Steck在RecSys 2018上发表了一篇很有意思的论文“Calibrated Recommendations”（http://t.cn/E5HTjnG），讨论了一个推荐系统里的一个有意思的问题，那就是利用“准确率”（包括以排序准确率为主）为指标的推荐系统会“惊人得”推荐太过于相似的物品，超过原本应该有的比例。 ​
45
3
29
洪亮劼
2019-01-22 05:06来自 iPhone客户端
//@南极光Online:感谢大佬分享。有一篇我们的文章。多点触达的归因这是一个比较经典却一直缺乏普适解决方案的问题，我们在这边用简单的方案来建模impression与click两方面的归因分析；也针对归因结果的后续使用方法创新性地提出了基于离线模拟的归因评估思路。
CIKM 2018中有几篇和推荐搜索相关的精彩论文。我在这里和大家进行分享并且进行简单的介绍。 http://t.cn/E5ipLi4 ​
20
1
8
洪亮劼
2019-01-21 01:29来自 微博 weibo.com
CIKM 2018中有几篇和推荐搜索相关的精彩论文。我在这里和大家进行分享并且进行简单的介绍。 http://t.cn/E5ipLi4 ​
83
3
30
洪亮劼
2019-01-20 05:28来自 iPhone客户端
在招聘的过程中，注意到这么一个现象。有一些具有北美教育背景（例如硕士和博士）的候选人，往往忽视一项很重要的技能，那就是英语口语表达能力的培养。特别是博士生导师是华裔教授实验室中有多名中国学生的情况，有部分候选人存在用英语进行基本专业交流都有困难的情况。在之前的过程中，我拒掉了几个 ​
12
1
41
洪亮劼
2019-01-06 01:34来自 微博 weibo.com
张潼的离职、李飞飞的离职让我想起了将近两年前我在Andrew Ng离职时写的文章《论互联网公司与研究院》（http://t.cn/RXvLAmv），以本人在雅虎研究院的经历为基础，来剖析一下现代高科技企业尤其是互联网公司如何设置一个成功的研究院，研究院究竟该如何运作。
《如何看待张潼老师离职腾讯？ - 知乎》 http://t.cn/EGJCLVF ​
108
1
29
洪亮劼
2018-12-29 07:04来自 iPhone客户端
非常有道理。
我一直有个简单的办法来测试一个学生值不值得多花时间来培养：一件事没做成功（比如文章错过了deadline或者没中）我经常会找做这个项目的学生复盘。如果他先列客观理由： 我最近别的事太忙花了我太多时间， 我的合作者那边出了问题， 本来没问题，但临时出了点意外， ... 我通常会笑笑礼送他离开我的 ​
23
1
6
洪亮劼
2018-12-07 11:06来自 iPhone客户端
这个总结很有深度。我曾经带过团队成员，一旦遇到一个问题，就说自己要从基础学起从头学起，搬来大部头从第一页看。姑且不谈学习的时间成本，很多时候事后发现解决这个问题压根不需要学这些基础内容。 有时候，学习只是不愿动手不愿动脑的借口。
抱歉，此微博已被作者删除。查看帮助：http://t.cn/Rfd3rQV
143
10
76
洪亮劼
2018-12-03 01:10来自 微博 weibo.com
把排序学习（Learning to Rank）的思想引入到推荐系统中，可以说是使得推荐系统从单纯的评分预测到真实的应用场景的一个非常有必要的步骤。那么，你有没有想过在这个过程中引入的目标函数会有一些本质上的问题呢？今天，我就来分享一篇CIKM 2018的论文对这方面进行了一番不错的探讨。 ​
90
9
53
洪亮劼
2018-12-02 00:41来自 微博 weibo.com
Spotify的研发主管Mounia Lalmas-Roelleke最近在一个演讲中讲了讲Spotify的搜索研究的一些思考（http://t.cn/ELkhRik）。在这个演讲中，有两个比较有意思的点可以值得借鉴：第一，就是如何定义用户的“满意度”。虽然搜索已经算是一个“老话题”了，但是在不同的场景下，例如音乐的搜索，如何对用户的 ​
25
1
16
洪亮劼
2018-11-22 12:22来自 微博 weibo.com
在现实的搜索（信息检索）系统中，因为界面表达或者是用户的偏好所导致的种种偏差（Bias）长久以来一直困扰着研发人员如何能够有效得获得用户对文档的真实反馈，或者说是真实的相关度（Relevance）。 最近几年，随着"反事实学习"（Counterfactual Learning）和机器学习的一些方法的结合，排序学习（Le ​
99
8
48
洪亮劼
2018-11-18 02:47来自 iPhone客户端
转发微博
看到马毅学长的微博，想起来最近两件小事： （一） 前几天和我们的博士后聊天，她说起来和老师们一起改文章，老师们抱怨她写的不好，从英语到结构再到细节。我说那你怎么回答的？她说我跟老师们说我真的很努力了。我一听就乐了。她说陈老师你乐什么？我说你肯定觉得你没有功劳也有苦劳，说不定还有点 ​
14
0
5
洪亮劼
2018-11-08 14:18来自 iPhone客户端
非常高兴宣布Etsy成为明年在澳大利亚墨尔本举行的WSDM 2019的金牌级赞助商。我们在大会上还将分享去年实习生，来自哈佛大学统计系博士生Phyllis Ju的关于Sequential A/B Testing的工作。届时，希望能和新老朋友再会。 我的团队明年将迎来崭新的挑战和变化。我们预期在旧金山和纽约继续招收数据科学家 ​
1
4
21
洪亮劼
2018-10-28 09:25来自 微博 weibo.com
Ron Kohavi是微软的技术院士（Technical Fellow）。他在近日的2018 Conference on Digital Experimentation (CODE)大会上进行的题目为“Refuted Causal Claims From Observational Studies”的演讲（http://t.cn/EZHneoB ）内容很值得一看。 大家已经知道了Correlation和Causation之间的区别。然而， ​
13
2
14
洪亮劼
2018-10-28 01:10来自 iPhone客户端
转发微博
抱歉，根据作者设置的微博可见时间范围，此微博已不可见。 ​
5
0
6
洪亮劼
2018-10-26 12:35来自 iPhone客户端
转发微博
祝贺博士生张俊祺（指导教师刘奕群）的工作获得CIKM2018唯一的最佳论文奖。在利用视觉信息提升搜索引擎排序效果方面做了一些尝试。由于第一作者是学生，最佳论文和最佳学生论文合二为一了，所以叫做overall最佳。 ​
3
0
10
洪亮劼
2018-10-02 10:29来自 微博 weibo.com
今天，我在@极客时间 应用的专栏《AI技术内参》更新到了第156期，也为我这一年来在知识经济领域的第一次尝试划上了一个圆满的句号。 156期的内容，涵盖最新顶级会议论文导读、推荐、搜索、广告、计算机视觉以及数据科学家成长和数据科学团队建设，这个内容丰富的专栏是一个初学者理想的入门手册和进阶 ​
21
7
36
洪亮劼
2018-09-24 09:20来自 iPhone客户端
周末聆听了迈克尓·乔丹（Michael Jordan）关于AI发展前景的一个主题演讲。总体说来，迈克尔有两个核心观点：第一，现在的人工智能，也就是尽量用机器去模拟人的行为的路径，有可能并不是一条好的发展路径，他主张用机器来带动人的智能的增强，也就是他所说的“增强智能”（Intelligence Augmented）。 ​
61
5
35
洪亮劼
2018-08-22 02:28来自 iPhone客户端
非常赞同。
该账号因用户自行申请关闭，现已无法查看。
3
1
3
没有更多微博了