作为 2019 AI ProCon 推荐系统专场（官网：https://aiprocon.csdn.net/）的出品人，阿里妈妈资深算法专家朱小强在接受 AI科技大本营（ID:rgznai100）采访时，对推荐领域也表达出“当我们越深入，越感觉到现有技术的浅薄”这样类似的感受。这不禁让人思考：推荐系统与流行 AI 技术的结合究竟对优化推荐效果起到了多大的作用？打破推荐系统领域瓶颈的突破口在哪里？怎样做，才能让推荐系统更好地服务用户？ 两大关键技术模块取得突破
最后，朱小强还补充了自己从多年从事推荐系统研发工作的经验中得出的一些思考，“当我们越深入、越感觉到现有技术的浅薄。我心中理想的推荐系统，应该是像相知多年的老友一样，了解你的喜好习性，洞察你此刻的心情，给予贴心甚至惊喜的推荐。它健谈但不聒噪，懂得适可而止。当然，它也一定是让你足够信赖的。我们今天的推荐系统，就像一个恼人的喋喋不休的话痨，你刚开始谈一个话题，它就源源不断地给你轰炸同质的消息，让你审美疲劳。”
正如朱小强所说，推荐系统作为最重要的个性化服务应用之一，它的主要功能是提供服务、吸引更多的用户使用和停留。从这个角度来看，未来推荐技术还有很大的进步空间。 参考文献：
[1] Han Zhu et al, Learning Tree-based Deep Model for Recommender Systems, KDD 2018
[2] Guorui Zhou et al, Deep Interest Network for Click-Through Rate Prediction, KDD 2018
[3] Guorui Zhou et al, Deep Interest Evolution Network for Click-Through Rate Prediction，AAAI 2019
[4] Qi Pi et al, Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019
[5] Xiao Ma et al, Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate, SIGIR 2018
[6] Tiezheng Ge et al, Image Matters: Visually modeling user behaviors using Advanced Model Server, CIKM 2018
[7] Yuchi Zhang et al, Improve diverse text generation by self labeling conditional variational auto encoder. ICASSP 2019
[8] https://github.com/alibaba/x-deeplearning/tree/master/xdl
[9] https://github.com/alibaba/x-deeplearning/tree/master/blaze
[10] Guorui Zhou et al, Rocket Launching: A Universal and Efficient Framework for Training Well-performing Light Net， AAAI 2018
[11] https://mp.weixin.qq.com/s/MtnHYmPVoDAid9SNHnlzUw