赛道1：用户行为预测
在电商场景中，推荐系统作为电商核心功能之一，对用户体验的提升有重要作用。预测用户的兴趣，为其做出合理的推荐是工业界与学术界长久以来研究的课题。经典方法包括基于内容的推荐、协同过滤等，一定程度上完成了推荐系统的任务。近年来，随着图神经网络研究的兴起，基于深度学习的GNN(Graph Neural Network)在推荐领域也逐渐称为研究热点。电商场景中， 用户，商品，以及两者之间的行为可以用一张二部图来表示。预测用户未来的行为， 转化为预测二部图中用户-商品边的概率，有更好的可解释性、可推理性。

赛道2：超大规模推荐之用户兴趣高效检索
近年来，学术界和工业界都在如何提升推荐系统中的用户兴趣预估精度方向上进行了很多的工作。然而，大规模的推荐系统由于受到了响应时间的约束，必须在模型的精度和复杂度上做出权衡。一个典型的大规模电商推荐系统，往往需要在很短的时间内，从千万甚至亿级别的商品库中为用户挑选出其最可能感兴趣的k个商品。对于这样规模的问题而言，使用兴趣预估模型来逐一地预测每个“用户-商品”对的兴趣度，再挑选出最靠前的商品的模式，由于计算效率太低而难以在实际系统中应用。本次竞赛将聚焦在解决大规模推荐中用户兴趣检索的问题上，即，如何在避免穷举计算的情况下，高效地从全量商品库中精确地检索到用户最感兴趣的商品。

本次大赛的具体安排如下：
报名：即日起 – 2019年8月22日
初赛：2019年7月5日 – 2019年8月15日
复赛：2019年8月22日 – 2019年9月25日
决赛：2019年11月