UPD по метрикам. Как верно заметили в коментах, метрики все-таки соответствуют другим статьям, а я не туда посмотрел. НО, они соответствуют настолько, что похоже что часть из них прямо скопипащена из других статей. ИМХО копипастить без явного указания что "мы скопипастили" это не очень хорошая практика, так как "я запустил эксперимент сам" и "я нашел статью где зарепорчены удобные метрики для бейзлайнов" это разные уровни доверия к экспериментам. Если такую статью отправлять на конференцию, и ревьюер заметит что метрики скопипащены без явного указания на это, то очень большой шанс что статья будет реджекнута на этом основании.
👍2
PhD в Великобритании
Я заканчиваю PhD в Великобритании. Меня часто спрашивают о том, как поступить на PhD в Великобритании и как здесь учиться, поэтому в этом посте я расскажу о своем опыте. Сразу оговорюсь, что это только мой опыт, и он относится только к Университету Глазго. В других университетах все может быть иначе. Опять же, в первую очередь, мой опыт касается нашей области (computer science, в частности RecSys/IR).
1. Стоимость обучения
В отличие от многих других стран, по умолчанию PhD-программы в Великобритании платные. В других странах часто PhD воспринимается как "работа", и студентам платят, но здесь это не так. При этом стоимость зависит от вашего статуса. Например, на нашем факультете для домашних студентов цена в год составляет £5005, а для международных £31 800 (разница в 6,35 раза!). То есть, если вы международный студент, то за полную PhD-программу (4 года) стоимость составит £127 200 (~14,3 млн рублей), и это не включая расходы на жилье, еду и т. д. Для большинства студентов это непозволительно дорого, поэтому они стараются получить стипендию.
2. Гранты и стипендии
В университетах часто есть проекты с уже готовой стипендией. Их можно искать, например, здесь: https://www.jobs.ac.uk/phd. Там же можно проверить, что покрывает стипендия (например, если вы международный студент, надо искать проекты, которые покрывают international fees). К сожалению, большинство стипендий предназначены для местных студентов, а на международные стипендии большой конкурс.
3. Стипендии без привязки к проекту
В университетах также есть стипендии, которые покрывают обучение даже международных студентов и не привязаны к конкретному проекту. Это значит, что даже если вы подаетесь со своим предложением, у вас есть шанс получить финансирование. Однако таких стипендий значительно меньше (стипендий для местных студентов гораздо больше). Как правило, стипендия покрывает стоимость обучения и включает стипендию на жизнь (~£1600 в месяц за пределами Лондона).
4. Мой путь
Лично я поступал как "местный" студент. Уже после переезда в Великобританию я получил Exceptional Talent (ныне Global Talent) визу, которая позволила мне получить ПМЖ. С ПМЖ я мог подаваться как "местный" студент. Получить стипендию мне было довольно легко: нужно было просто поставить галочку в заявке, а университет все сделал сам. Моя стипендия от EPSRC — государственной организации, финансирующей исследования в инженерии, физических науках и технологиях.
5. Процесс поступления
Процесс поступления включает несколько шагов:
(i) Найти научного руководителя в университете. Ищите тех кто публикуется по интересующей вас теме — это важно, иначе вы 3 года будете работать над чем-то что вам вообще не интересно.
(ii) Обсудить с ним тему исследования.
(iii) Написать проектное предложение (Proposal).
(iv) Подготовить документы: диплом, рекомендательные письма, сертификат по английскому языку.
Если университет одобрит заявку, предложат место. Иногда проводят дополнительное интервью.
6. Как повысить шансы на поступление
6.1. Качественный Proposal
Самый важный фактор — заинтересованность научного руководителя. Нужно написать хороший Proposal, следуя этим шагам:
(i) Найти научного руководителя, изучить его профиль, статьи и публикации.
(ii) Ознакомиться с близкими темами (например, из раздела Background/Related Work в его статьях).
(iii) Написать Proposal, соответствующий его научным интересам. Включить:
- Background (обзор литературы и работ научного руководителя);
- Research gap (можно подсмотреть в разделе Future Work в недавних статьях);
- Research questions (исследовательские вопросы, над которыми будете работать 3-4 года);
- План работы (например, 1-й год — обзор литературы и публикация survey paper, 2-3-й годы — основная методология и публикации, 4-й год — написание диссертации);
- Риски (недостаток данных, вычислительные ресурсы, быстрое развитие области);
- References (основные работы в теме и работы научного руководителя).
(v) Связаться с научным руководителем, отправить Proposal и запросить фидбек.
Я заканчиваю PhD в Великобритании. Меня часто спрашивают о том, как поступить на PhD в Великобритании и как здесь учиться, поэтому в этом посте я расскажу о своем опыте. Сразу оговорюсь, что это только мой опыт, и он относится только к Университету Глазго. В других университетах все может быть иначе. Опять же, в первую очередь, мой опыт касается нашей области (computer science, в частности RecSys/IR).
1. Стоимость обучения
В отличие от многих других стран, по умолчанию PhD-программы в Великобритании платные. В других странах часто PhD воспринимается как "работа", и студентам платят, но здесь это не так. При этом стоимость зависит от вашего статуса. Например, на нашем факультете для домашних студентов цена в год составляет £5005, а для международных £31 800 (разница в 6,35 раза!). То есть, если вы международный студент, то за полную PhD-программу (4 года) стоимость составит £127 200 (~14,3 млн рублей), и это не включая расходы на жилье, еду и т. д. Для большинства студентов это непозволительно дорого, поэтому они стараются получить стипендию.
2. Гранты и стипендии
В университетах часто есть проекты с уже готовой стипендией. Их можно искать, например, здесь: https://www.jobs.ac.uk/phd. Там же можно проверить, что покрывает стипендия (например, если вы международный студент, надо искать проекты, которые покрывают international fees). К сожалению, большинство стипендий предназначены для местных студентов, а на международные стипендии большой конкурс.
3. Стипендии без привязки к проекту
В университетах также есть стипендии, которые покрывают обучение даже международных студентов и не привязаны к конкретному проекту. Это значит, что даже если вы подаетесь со своим предложением, у вас есть шанс получить финансирование. Однако таких стипендий значительно меньше (стипендий для местных студентов гораздо больше). Как правило, стипендия покрывает стоимость обучения и включает стипендию на жизнь (~£1600 в месяц за пределами Лондона).
4. Мой путь
Лично я поступал как "местный" студент. Уже после переезда в Великобританию я получил Exceptional Talent (ныне Global Talent) визу, которая позволила мне получить ПМЖ. С ПМЖ я мог подаваться как "местный" студент. Получить стипендию мне было довольно легко: нужно было просто поставить галочку в заявке, а университет все сделал сам. Моя стипендия от EPSRC — государственной организации, финансирующей исследования в инженерии, физических науках и технологиях.
5. Процесс поступления
Процесс поступления включает несколько шагов:
(i) Найти научного руководителя в университете. Ищите тех кто публикуется по интересующей вас теме — это важно, иначе вы 3 года будете работать над чем-то что вам вообще не интересно.
(ii) Обсудить с ним тему исследования.
(iii) Написать проектное предложение (Proposal).
(iv) Подготовить документы: диплом, рекомендательные письма, сертификат по английскому языку.
Если университет одобрит заявку, предложат место. Иногда проводят дополнительное интервью.
6. Как повысить шансы на поступление
6.1. Качественный Proposal
Самый важный фактор — заинтересованность научного руководителя. Нужно написать хороший Proposal, следуя этим шагам:
(i) Найти научного руководителя, изучить его профиль, статьи и публикации.
(ii) Ознакомиться с близкими темами (например, из раздела Background/Related Work в его статьях).
(iii) Написать Proposal, соответствующий его научным интересам. Включить:
- Background (обзор литературы и работ научного руководителя);
- Research gap (можно подсмотреть в разделе Future Work в недавних статьях);
- Research questions (исследовательские вопросы, над которыми будете работать 3-4 года);
- План работы (например, 1-й год — обзор литературы и публикация survey paper, 2-3-й годы — основная методология и публикации, 4-й год — написание диссертации);
- Риски (недостаток данных, вычислительные ресурсы, быстрое развитие области);
- References (основные работы в теме и работы научного руководителя).
(v) Связаться с научным руководителем, отправить Proposal и запросить фидбек.
👍11🙏2❤1
(vi) Если вы отправляйте proposal нескольким научникам, важно персонализировать Proposal для каждого университета и профессора.
6.2. Академический бэкграунд
Будут смотреть на оценки и репутацию университета, где вы учились. Если оценки невысокие или вуз малоизвестен, можно сначала пройти магистратуру в более престижном университете.
6.3. Рекомендательные письма
Лучше всего, если одно из писем будет от вашего научного руководителя, а остальные — от экспертов в предметной области. Письма должны быть персонализированными и поддерживать вашу кандидатуру.
6.4. Публикации
Наличие публикаций по теме значительно повышает шансы. Например, если вы хотите делать PhD по рекомендательным системам, публикации на RecSys или SIGIR выделят вашу заявку. Если сложно попасть на основную конференцию, можно опубликоваться на воркшопах — это тоже хороший показатель. Также полезно упомянуть другие достижения (например, призовые места в соревнованиях).
6.5. Английский язык
Обычно требуется уровень не ниже B2, но C1/C2 повысит шансы.
—
В целом не смотря на сложности, поступить на PhD и получить стипендию вполне возможно. Буду рад ответить на вопросы в комментариях.
Этот пост опубликован в канале @Recsys_IR_Travel. Если вы читаете его в другом месте, подпишитесь!
6.2. Академический бэкграунд
Будут смотреть на оценки и репутацию университета, где вы учились. Если оценки невысокие или вуз малоизвестен, можно сначала пройти магистратуру в более престижном университете.
6.3. Рекомендательные письма
Лучше всего, если одно из писем будет от вашего научного руководителя, а остальные — от экспертов в предметной области. Письма должны быть персонализированными и поддерживать вашу кандидатуру.
6.4. Публикации
Наличие публикаций по теме значительно повышает шансы. Например, если вы хотите делать PhD по рекомендательным системам, публикации на RecSys или SIGIR выделят вашу заявку. Если сложно попасть на основную конференцию, можно опубликоваться на воркшопах — это тоже хороший показатель. Также полезно упомянуть другие достижения (например, призовые места в соревнованиях).
6.5. Английский язык
Обычно требуется уровень не ниже B2, но C1/C2 повысит шансы.
—
В целом не смотря на сложности, поступить на PhD и получить стипендию вполне возможно. Буду рад ответить на вопросы в комментариях.
Этот пост опубликован в канале @Recsys_IR_Travel. Если вы читаете его в другом месте, подпишитесь!
Jobs.ac.uk
Find PhDs | PhD Programs | Scholarships - jobs.ac.uk
Search for PhDs, research studentships, professional doctorates & more opportunities on jobs.ac.uk. Plus funding & careers advice and FREE...
❤7
ZDF (один из крупнейших броадкастеров в Германии) рассказывает как они используют наши модельки для того чтобы уменьшить Popularity Bias (На 5:15 прямая отсылка к нашей статье как источник вдохновения).
Одна из проблем академического рисерча заключается в том что он не всегда напрямую связан с продакшеном, поэтому я всегда кайфую когда кто-то использует наши результаты в проде и публикует результаты A/B тестов.
https://youtu.be/Ar7cz4c80s4?si=UL8Ubd4rp1nBTBhJ&t=315
Одна из проблем академического рисерча заключается в том что он не всегда напрямую связан с продакшеном, поэтому я всегда кайфую когда кто-то использует наши результаты в проде и публикует результаты A/B тестов.
https://youtu.be/Ar7cz4c80s4?si=UL8Ubd4rp1nBTBhJ&t=315
YouTube
Enhancing Recommendation Quality of the SASRec Model by Mitigating Popularity Bias
by Venkata Harshit Koneru (ZDF), Xenija Neufeld (Accso – Accelerated Solutions GmbH), Sebastian Loth (ZDF) and Andreas Grün (ZDF)
Abstract:
ZDF is a Public Service Media (PSM) broadcaster in Germany that uses recommender systems on its streaming service…
Abstract:
ZDF is a Public Service Media (PSM) broadcaster in Germany that uses recommender systems on its streaming service…
🔥12❤1
Forwarded from ML — это ОК
🎤После стольких лет (шести!) на ридинг-группе наконец-то будет полезный доклад. 20 марта Дарья Тихонович, наша гостья из МТС, представит библиотеку RecTools. Недавно библиотека получила большое обновление, в котором популярные рекомендательные трансформеры прокачаны до уровня SOTA-статей.
SASRec можно обучать из коробки в парадигме fit/recommend, а можно кастомизировать так, что даже Саша Петров не узнает. Приходите послушать Дарью в 18:00.
Зум: ссылка
Номер: 777 282 2791
Код: 1
SASRec можно обучать из коробки в парадигме fit/recommend, а можно кастомизировать так, что даже Саша Петров не узнает. Приходите послушать Дарью в 18:00.
Зум: ссылка
Номер: 777 282 2791
Код: 1
🔥19😁9
Сегодня начинаю работу в индустрии. Угадаете компанию ? Подсказка в названии канала 😉
UPD: Угадали.
Буду пилить рекомендашки и поиск в TripAdvisor, а конкретнее в Viator.
UPD: Угадали.
Буду пилить рекомендашки и поиск в TripAdvisor, а конкретнее в Viator.
🔥24👏9❤2
Netflix опубликовали интересный блогпост:
Foundation Model for Personalized Recommendation
(https://netflixtechblog.medium.com/foundation-model-for-personalized-recommendation-1a0bd8e02d39)
Основная идея – в Netflix много разных рекомендательных алгоритмов (например, «Continue Watching» или «Top Picks for You»). Авторы предлагают вместо того, чтобы обучать модель с нуля для каждого отдельного алгоритма, сначала обучить большую поведенческую модель, а потом уже файнтюнить её под конкретные задачи. Несмотря на то, что идея в целом не новая (я сам работал над похожим подходом в больших компаниях), в этой статье интересны детали.
Авторы описывают подход на основе трансформеров (аналогично SASRec), но с большим количеством улучшений:
Incremental Training. Вместо того, чтобы переобучать модель с нуля, авторы переиспользуют веса «вчерашней» модели. Эмбеддинги новых айтемов предлагают инициализировать как взвешенную сумму уже существующих похожих айтемов, но говорят, что способ инициализации весов не критичен.
- Метаинформация. Учат отдельные эмбеддинги для жанров, тональности, сюжетных линий, а затем конкатенируют их и смешивают с обученным эмбеддингом айтемов через специальный «mixing layer». Он определяет, как именно сочетать контентные и коллаборативные эмбеддинги в зависимости от того, насколько «старый» айтем.
- Токены – это не только сами айтемы, но и разные признаки самого действия (длительность просмотра, локаль, тип устройства), а также признаки айтемов (жанр, страна).
- Большинство токенов – категориальные фичи, но некоторые требуют тщательной обработки. Например, токены, относящиеся ко времени, нужно аккуратно парсить, чтобы использовать одновременно относительное и абсолютное время.
- Токены делятся на «Request-Time Features» (доступные во время интеракции, например, тип устройства) и «Post-Action Features» (например, длительность просмотра). Их смешивают вместе для получения наилучшего результата.
- Модель предсказывает не 1 токен вперёд, а сразу N токенов; это помогает лучше улавливать длинные зависимости.
- Прежде чем предсказать сам айтем, модель сначала предсказывает его признаки (жанр, язык и т.д.). Это позволяет сузить пространство выбора и делает модель более устойчивой (с моей точки зрения, это чем-то похоже на «reasoning»).
- Авторы рассуждают о том, чтобы мёржить частые токены с помощью BPE, но я не до конца понял, применяют они это на практике или нет.
- Так как токенов много и описан каждый экшен, используются механизмы работы с длинными последовательностями (sparse attention) и sliding window для эффективного использования всех доступных данных.
- Size Matters – Больше параметров модели приводит к лучшим результатам. Однако улучшения нелинейны; судя по приведённой картинке, рост логарифмический. Тут нужно учесть, что у Netflix практически бесконечное количество данных, и на меньших датасетах совершенно не факт, что тренд сохранится.
В целом блогпост мне понравился. К сожалению, не хватает большого количества деталей и не очевидно, насколько каждая описанная идея влияет на финальный результат, но это и не научная статья, чтобы приводить подобные детали. Многие идеи уже были известны, но классно, что Netflix собрали их в едином решении (опять же, интересно именно то, что используют большие компании в продакшене).
—
Этот пост опубликован в канале @Recsys_IR_Travel. Если вы читаете его в другом месте, подпишитесь!
Foundation Model for Personalized Recommendation
(https://netflixtechblog.medium.com/foundation-model-for-personalized-recommendation-1a0bd8e02d39)
Основная идея – в Netflix много разных рекомендательных алгоритмов (например, «Continue Watching» или «Top Picks for You»). Авторы предлагают вместо того, чтобы обучать модель с нуля для каждого отдельного алгоритма, сначала обучить большую поведенческую модель, а потом уже файнтюнить её под конкретные задачи. Несмотря на то, что идея в целом не новая (я сам работал над похожим подходом в больших компаниях), в этой статье интересны детали.
Авторы описывают подход на основе трансформеров (аналогично SASRec), но с большим количеством улучшений:
Incremental Training. Вместо того, чтобы переобучать модель с нуля, авторы переиспользуют веса «вчерашней» модели. Эмбеддинги новых айтемов предлагают инициализировать как взвешенную сумму уже существующих похожих айтемов, но говорят, что способ инициализации весов не критичен.
- Метаинформация. Учат отдельные эмбеддинги для жанров, тональности, сюжетных линий, а затем конкатенируют их и смешивают с обученным эмбеддингом айтемов через специальный «mixing layer». Он определяет, как именно сочетать контентные и коллаборативные эмбеддинги в зависимости от того, насколько «старый» айтем.
- Токены – это не только сами айтемы, но и разные признаки самого действия (длительность просмотра, локаль, тип устройства), а также признаки айтемов (жанр, страна).
- Большинство токенов – категориальные фичи, но некоторые требуют тщательной обработки. Например, токены, относящиеся ко времени, нужно аккуратно парсить, чтобы использовать одновременно относительное и абсолютное время.
- Токены делятся на «Request-Time Features» (доступные во время интеракции, например, тип устройства) и «Post-Action Features» (например, длительность просмотра). Их смешивают вместе для получения наилучшего результата.
- Модель предсказывает не 1 токен вперёд, а сразу N токенов; это помогает лучше улавливать длинные зависимости.
- Прежде чем предсказать сам айтем, модель сначала предсказывает его признаки (жанр, язык и т.д.). Это позволяет сузить пространство выбора и делает модель более устойчивой (с моей точки зрения, это чем-то похоже на «reasoning»).
- Авторы рассуждают о том, чтобы мёржить частые токены с помощью BPE, но я не до конца понял, применяют они это на практике или нет.
- Так как токенов много и описан каждый экшен, используются механизмы работы с длинными последовательностями (sparse attention) и sliding window для эффективного использования всех доступных данных.
- Size Matters – Больше параметров модели приводит к лучшим результатам. Однако улучшения нелинейны; судя по приведённой картинке, рост логарифмический. Тут нужно учесть, что у Netflix практически бесконечное количество данных, и на меньших датасетах совершенно не факт, что тренд сохранится.
В целом блогпост мне понравился. К сожалению, не хватает большого количества деталей и не очевидно, насколько каждая описанная идея влияет на финальный результат, но это и не научная статья, чтобы приводить подобные детали. Многие идеи уже были известны, но классно, что Netflix собрали их в едином решении (опять же, интересно именно то, что используют большие компании в продакшене).
—
Этот пост опубликован в канале @Recsys_IR_Travel. Если вы читаете его в другом месте, подпишитесь!
❤19🔥3
А вот и запись доклада от @blondered про трансформеры в RecTools; с приличным количеством ссылок на мой research 🙂
Forwarded from ML — это ОК
Media is too big
VIEW IN TELEGRAM
🎥Запись ридинг-группы от 20 марта 2025 года. Дарья Тихонович рассказала про библиотеку RecTools.
👍8🔥1
Кирилл тут нашел запись keynote Ed Chi на LargeRecsys+VideoRecsys воркшопе. Я это выступление слушал на РекСисе вживую и мне тоже оно зашло, но мне в первую очередь понравилось не рассказ про Semantic ID, а идея про "великое объединение". Смысл идеи в том что поиск, персональный поиск, рекомендации и реклама это одно и тоже, и в целом нет смысла делать отдельные модели для каждой из этих задач. Такое объединение это явно большой тренд в РекСисе; на эту же тему были доклады от Netflix и Spotify на основном треке конференции, и классный доклад от spotify на трэке про генеративные рекомендательные системы. Я в общем с этой идеей согласен; мне кажется что большой разницы между поиском и рекомендациями нету.
Кстати, если вы еще не подписаны на Кирилла, то подпишитесь, он там интересное постит.
Кстати, если вы еще не подписаны на Кирилла, то подпишитесь, он там интересное постит.
❤3💯1
Forwarded from Information Retriever
Видеозапись воркшопа LargeRecsys x VideoRecSys c RecSys 2024.
Оказывается, на ютуб уже выложили часть выступлений с воркшопа LargeRecsys x VideoRecSys!
В том числе выложили и выступление от Ed Chi, с которого начался весь хайп семантических айдишников. Я в день самого выступления уже писал краткий tdlr, но советую всё равно его посмотреть. Там будет и увлекательный экскурс в историю рекомендаций и генеративных моделей, и рассказ про связь рексистем с распределением Больцмана, и демка Project Astra. А ещё, они не все свои наработки по семантическим айдишникам опубликовали :)
Также на канале доступно выступление от Derek Cheng (с наработками от той же гугловской рекомендательной группы), в котором мимолётно упоминаются DCN-v3 и DCN-v4, а также есть рассказы про HSTU и про инференс рекомендательных нейросетей.
Надо смотреть! Ссылка на весь плейлист.
Если интересно получить больше контекста, можно почитать:
* пост про Ed Chi
* мои заметки по докладу про ранжирование в Ютубе с прошлой итерации этого воркшопа
* серию постов про RecSys 2024
Оказывается, на ютуб уже выложили часть выступлений с воркшопа LargeRecsys x VideoRecSys!
В том числе выложили и выступление от Ed Chi, с которого начался весь хайп семантических айдишников. Я в день самого выступления уже писал краткий tdlr, но советую всё равно его посмотреть. Там будет и увлекательный экскурс в историю рекомендаций и генеративных моделей, и рассказ про связь рексистем с распределением Больцмана, и демка Project Astra. А ещё, они не все свои наработки по семантическим айдишникам опубликовали :)
Также на канале доступно выступление от Derek Cheng (с наработками от той же гугловской рекомендательной группы), в котором мимолётно упоминаются DCN-v3 и DCN-v4, а также есть рассказы про HSTU и про инференс рекомендательных нейросетей.
Надо смотреть! Ссылка на весь плейлист.
Если интересно получить больше контекста, можно почитать:
* пост про Ed Chi
* мои заметки по докладу про ранжирование в Ютубе с прошлой итерации этого воркшопа
* серию постов про RecSys 2024
YouTube
Keynote: The Future of Discovery Assistance - Ed Chi | VideoRecSys Workshop | RecSys 2024
"The Future of Discovery Assistance" Keynote Talk by Ed Chi (Google DeepMind,) at the Large-Scale Video Recommender Systems Workshop (VideoRecSys) 2024.
It was organized by: Khushhall Chandra Mahajan, Amey Porobo Dharwadker, Saurabh Gupta and Brad Schumitsch.…
It was organized by: Khushhall Chandra Mahajan, Amey Porobo Dharwadker, Saurabh Gupta and Brad Schumitsch.…
👍5
https://link.springer.com/chapter/10.1007/978-3-031-88714-7_4
Моя статья с со-авторами из Amazon наконец опубликована! Основная идея - трансформеры не очень хорошо подходят для рекомендаций повторяющихся интеракций, поэтому им надо немного в этом помочь.
Полный обзор напишу на днях, а пока можно почитать самим:)
Также буду презентовать эту статью на ECIR 8го апреля. Если будете на ECIR - приходите послушать)
Моя статья с со-авторами из Amazon наконец опубликована! Основная идея - трансформеры не очень хорошо подходят для рекомендаций повторяющихся интеракций, поэтому им надо немного в этом помочь.
Полный обзор напишу на днях, а пока можно почитать самим:)
Также буду презентовать эту статью на ECIR 8го апреля. Если будете на ECIR - приходите послушать)
SpringerLink
CountNet: Utilising Repetition Counts in Sequential Recommendatio
Neural network-based sequential recommendation models, such as SASRec and GRU4Rec, struggle with highly repetitive recommendations due to a problem known as the SoftMax bottleneck: it is hard to model a multi-modal probability distribution, which is common…
👍17❤6🔥3
Прилетел в Лукку на ECIR в Италию, и первая вещь которую которую узнал - мою с соавторами (Крэйг Макдональд, у и Никола Тонелотто статью приняли на SIGIR (A* конференция, пожалуй главная конференция по поиску). По совпадению, SIGIR в этом году тоже в Италии.
Хороший финальный аккорд для моей диссертации; это был последний неопубликованный кусочек. Теперь каждая глава диссертации опубликована; саму диссертацию я тоже отправил рецензентам на днях.
Хороший финальный аккорд для моей диссертации; это был последний неопубликованный кусочек. Теперь каждая глава диссертации опубликована; саму диссертацию я тоже отправил рецензентам на днях.
🔥21🎉5