La mejor respuesta
El profesor Joachims ha realizado una serie de contribuciones importantes / fundamentales en los campos del aprendizaje automático y la información recuperación. Ha ganado 4 absurdos premios de prueba de tiempo, ¡incluidos 3 como autor único! (Descargo de responsabilidad: yo era uno de sus alumnos, por lo que una pequeña parte de esto va a sonar como publicidad propia descarada).
- SVM-Light fue uno de los primeros solucionadores de SVM «rápidos» que convenció a muchas personas de que estos algoritmos de aprendizaje se podían aplicar a cosas como la clasificación de texto. En la década de 1990, esto no era obvio. Consulte este artículo inicial . Su trabajo posterior en Capacitación Las SVM lineales en tiempo lineal ganó el premio KDD 2017 Test-of-Time.
- En 1999, publicó un artículo sobre SVM transductivas que ganó el premio a la Mejor Prueba de Tiempo de 10 años en ICML 2009.
- SVM-Struct es el primer plataforma general para desarrollar enfoques de máquina de vectores de soporte estructurado para predicción estructurada . Esta es la artículo original , y esta es la versión de la revista . Las SVM estructurales ahora se utilizan ampliamente en muchas áreas de investigación , incluida la visión por computadora y el procesamiento del lenguaje natural.
- Traspasó los límites de lo que significa hacer predicción estructurada . Durante mucho tiempo, la predicción estructurada fue grande restringido a problemas que se modelaron naturalmente como inferencia en modelos gráficos. Mostró cómo podemos pensar en otros problemas también como problemas estructurados de predicción. Los ejemplos incluyen ranking (también este ), agrupación en clústeres , alineación de proteínas y maximización de la diversidad (como para resumen de documentos ).
- Fue uno de los primeros en estudiar cómo entrenar la recuperación de información y los sistemas de recomendación basados en los comentarios de los usuarios (como como en qué hacen clic las personas cuando usan la búsqueda web). Lo crea o no, esto no era obvio a fines de la década de 1990 y principios de la de 2000. Vea estos dos artículos , el primero de los cuales ganó la prueba de tiempo de KDD 2012 premio.
- Fue uno de los primeros en estudiar los sesgos en el aprendizaje de la retroalimentación humana en los sistemas de recomendación y recuperación de información. Por ejemplo, cuando un usuario hace clic en un resultado de búsqueda, a menudo no significa que el resultado sea «bueno» en algún nivel absoluto, solo que es mejor que los resultados de mayor clasificación. Vea este artículo de revista , que ganó el premio SIGIR 2016 Test-of-Time. Ver también: Sistemas de auto-mejoramiento que aprenden a través de la interacción humana
- Inventó el enfoque de entrelazado para obtener preferencias confiables a partir de comentarios implícitos, como datos de clics. El entrelazado ahora se adopta ampliamente en muchos entornos comerciales, incluidos los principales motores de búsqueda como Google y Bing. Estos son algunos anteriores artículos . Ver también: Sistemas de auto mejora que aprenden a través de la interacción humana
- Propuso múltiples fórmulas de aprendizaje interactivo / en línea para caracterizar cómo un sistema de recomendación podría aprenda «sobre la marcha» de los comentarios de los usuarios. Estos incluyen el Problema de los bandidos en duelo y el Aprendizaje coactivo , los cuales tienen en cuenta lo mencionado anteriormente sesgos en la forma en que los usuarios proporcionan comentarios. Durante meses se implementó una versión avanzada de este enfoque en arXiv.org . Ver también: Sistemas de auto-mejoramiento que aprenden a través de la interacción humana
- Propuso el el marco de minimización de riesgos contrafácticos , junto con varios otros avances importantes en la evaluación contrafactual y el aprendizaje de los comentarios de los bandidos registrados. El razonamiento contrafactual es extremadamente importante en la mayoría de las aplicaciones comerciales porque aprender de los registros del usuario requiere razonar sobre los contrafácticos (por ejemplo, ¿cómo se habría comportado el usuario si se le recomendara este otro elemento que en realidad no vio?). Consulte este tutorial para obtener más detalles: Evaluación y aprendizaje contrafáctico
- Es un asesor increíble.
Respuesta
Desarrolló un nuevo recomendador musical
Recomendaciones musicales e integración de métricas logísticas