其實這部分聽不太懂，僅簡單紀錄一下大概聽到的內容跟關鍵字，歡迎補充跟修正。
一、Optimizing for User Experience with Data Science and Machine Learning / 紀懷新 Google Research Scientist
Google Research Scientist 紀懷新分享中有一小段稍微提到了推薦系統， Sequential Recommendation。他表示推薦是一個很難的議題，要先理解 User、Context 和 Item + Low Latency，傳統上使用商品之間的關聯性來做推薦，但這樣會有一些問題，於是改用 RNN Model with Time，兩個主要概念包含 Time-Based RNN 以及 Latent Cross as Attention Mechanism。
另外他也提了 Focused Learning 的概念，如果以傳統方式來做電影推薦的話，會發現不同種類的電影會有顯著不同的效果，例如劇情片預測得很準，科幻片不準等等。而用 Focused Learning 似乎就能解決這個問題，但詳細想法是什麼就…在此略過。
二、KKBOX 上的個人化推薦系統 / 陳怡安 KKBOX Machine Learning Researcher
演講一開始陳怡安就說，很多人會問她現在線上聽音樂的免費平台這麼多，為什麼人家要用 KKBOX？她的答案是「使用者體驗」，希望透過推薦系統來提升使用者體驗。對於音樂平台的推薦系統而言，陳怡安表示「推薦得準」只是最低要求，而且推薦得太準只是回答了使用者已有的答案，無法提供更多未知的選項，讓使用者有探索的空間，也就是推薦出來的內容並無法給使用者驚喜。
在實作上，希望機器能夠做到 Content understanding、User Understanding、Learning to rank，為了要三種願望一次滿足用了 Collaborative Filtering，另外也加入了 word2vec 的概念，讓機器一面學 user 在一維空間的表示式，一面學 item 在一維空間的表示式。陳怡安說：「簡單來說，就是用旁邊的鄰居來認識自己。」查到一篇論文可能是這個做法的理論基礎，先存起來：《From Word Embeddings to Item Recommendation》。
這邊有 Collaborative Filtering 的概念介紹，文章說：「Collaborative Filtering 是藉由其他和你相似的使用者（群體）的偏好，去預測你的個人偏好，進而達到個人化（過濾）的推薦效果。」至於偏好的定義：「一般來說偏好可以分為外顯（explicit）偏好（如：主動給評分）和隱藏（Implicit）偏好（如：購買記錄、停留網站時間、Web logs）。」目前猜測我在筆記上沒頭沒尾地寫的 「latent vector」 指的是不是這個隱藏偏好……？？？
在系統落地上，ETL 部分使用了 Spark、scala；skip-gram、LSH 的部分原本使用 Python，但因為速度太慢的關係後來改用 C++。伺服器上，使用 AWS，用 EC2 控制，然後在 S3 作資料交換。
至於「如何推薦新歌？」這個問題，則被特別提出來說明，因為新歌沒有過去的 Training Data。首先一首歌有的欄位屬性大概是音訊（Audio）、風格 / 次風格（Genre / Sub-genre）、主題（Topic），可參考 2014 年 Spotify 發表的 paper，沒有找到論文本人，只看到這篇《Recommending music on Spotify with deep learning》介紹。陳怡安嘗試了 ILSVRC 及 Spectrogram，其中前者的效果不佳。Spectrogram 的效果不錯，做法是將音訊視為一張圖作為 CNN 的輸入做建模，未來新歌進來時也能藉由音訊來做預測。
最後，在選擇 Framework 上，陳怡安說準則是：Document 以及Community。也就是一開始文件的說明就要夠清晰明瞭，然後需要有夠多社群的人在討論，才有辦法在碰到問題時得到解答。
QA部分，陳怡安表示為了系統的穩定性，沒有做到 realtime update model。在評估推薦效果上，主要是看使用者使用這項功能後，多久會再回來用一次等等的指標。最後有人舉手說：「我幾年前用過 KKBOX 的推薦功能，但是沒有很滿意」陳怡安聽了大笑，然後說：「那你現在願意試一試嗎？」