L'ingénieur d'apprentissage automatique Xiao Yu de Roblox reçoit le prix de l'épreuve du temps
Nous avons la joie de féliciter l'ingénieur d'apprentissage automatique Xiao Yu de Roblox et ses co-auteurs, qui ont reçu le prix de l'épreuve du temps lors de la 17e conférence internationale de l'ACM sur la recherche en ligne et l'exploration de données (WSDM 2024). Le prix de l'épreuve du temps récompense l'impact historique de travaux qui ont entraîné des changements importants dans leur discipline. Il est décerné à une publication datant de plus de dix ans ayant eu une influence durable.
L'article gagnant, « La recommandation d'entité personnalisée : une approche via un réseau d'informations hétérogène », a été présenté à la WSDM 2014, à l'époque où Yu était chercheur pour l'université de l'Illinois à Urbana-Champaign. Yu a rejoint Roblox en 2022 ; il a travaillé sur le langage naturel, la vision par ordinateur, les grands modèles de langage et l'IA générative. Il a notamment participé aux projets de traduction du chat en temps réel par IA et de modération du chat en temps réel.
Voici comment Yu décrit son article primé : « Il présente le concept de fonctionnalités latentes à méta-chemins pour représenter les utilisateurs et les objets. C'était avant que l'apprentissage de représentations ne devienne la norme pour les systèmes de recommandation. Bien que l'article soit antérieur à la normalisation de l'utilisation de réseaux hétérogènes et de systèmes de recommandation, ses observations et ses idées ont incité de nombreux chercheurs à se pencher à nouveau sur ce problème, et ont donné naissance à une vague de recherches innovantes dans ce domaine. »
Les recherches publiées par Yu et ses collègues ont eu beaucoup d'écho au cours des dix dernières années, période pendant laquelle les moteurs de recommandation sont devenus de plus en plus omniprésents. « En incorporant différentes informations relationnelles, notre méthode offre un degré de personnalisation plus élevé, ce qui permet d'obtenir des suggestions plus précises et adaptées aux utilisateurs. C'est essentiel dans le contexte actuel, où il existe une surcharge d'informations qui fait que les utilisateurs sont submergés sous les recommandations inutiles », explique Yu.
« Avant cet article, les systèmes de recommandation à graphes hybrides faisaient souvent appel à un seul type de relation, par exemple, si l'utilisateur avait acheté un article précis ou non. Nous avons été parmi les premiers à essayer de tirer parti de l'hétérogénéité des relations au sein d'un réseau. En modélisant plusieurs relations, le système de recommandation que nous avons imaginé peut offrir une compréhension plus riche et nuancée des préférences de chaque utilisateur et des caractéristiques de chaque article. »
Rendez-vous à cette adresse pour découvrir les dernières recherches en date de Roblox dans le domaine de l'IA.