Fernando Diaz

Membre Industriel Principal
Fernando Diaz
Professeur associé, McGill University, Microsoft Research
Fernando Diaz

Fernando Diaz est directeur adjoint de la recherche pour Microsoft Research. Son expertise touche l’étude formelle de la recherche de petits fragments d’information dans de grands ensembles de données. Il s’intéresse notamment aux approches distribuées de recherche documentaire sur le web, à la recherche interactive et à facettes, à l’exploration de modèles temporels à partir de nouvelles et de requêtes, à la recherche d’information multilingue et aux méthodes basées sur des graphiques.

Son principal intérêt de recherche est la recherche d’information, c’est-à-dire l’étude formelle de la recherche de petits fragments d’information dans de grandes collections de données. L’exemple le plus familier de recherche d’information est la recherche sur le Web où les utilisateurs recherchent une collection de pages Web pour une ou quelques pages Web pertinentes. Cependant, la recherche d’information va au-delà de la recherche sur le Web et comprend des sujets tels que la recherche multilingue, la personnalisation, la recherche sur le bureau et la recherche interactive. Son expérience de recherche comprend des approches distribuées de recherche d’information pour la recherche sur le Web, la recherche interactive et à facettes, l’exploration de modèles temporels à partir de journaux de nouvelles et de requêtes, la recherche d’information multilingue, les méthodes de recherche basées sur des graphiques et l’exploitation d’information à partir de multiples corpora. Dans son travail de thèse, Fernando a étudié la relation entre le regroupement de documents et la notation des documents en vue de leur extraction à l’aide de méthodes d’apprentissage automatique et de statistiques. Il a donc mis au point un algorithme d’auto-évaluation et d’auto-ajustement du système qui améliore considérablement la performance des algorithmes de récupération dans une variété de corpus.

Publications

2020-08

When Are Search Completion Suggestions Problematic
Alexandra Olteanu, Fernando Diaz and Gabriella Kazai
(venue unknown)
(2020-08-10)
www.microsoft.com

2020-07

Analyzing and Learning from User Interactions for Search Clarification
Hamed Zamani, Bhaskar Mitra, Everest Chen, Gord Lueck, Fernando Diaz, Paul Bennett, Nick Craswell and Susan Dumais
Operationalizing the Legal Principle of Data Minimization for Personalization
Asia J. Biega, Peter Potash, Hal Daumé, Fernando Diaz and Michèle Finck
On the Social and Technical Challenges of Web Search Autosuggestion Moderation.
Timothy J. Hazen, Alexandra Olteanu, Gabriella Kazai, Fernando Diaz and Michael Golebiewski
arXiv preprint arXiv:2007.05039
(2020-07-09)
www.microsoft.comPDF

2020-04

Evaluating Stochastic Rankings with Expected Exposure
Fernando Diaz, Bhaskar Mitra, Michael D. Ekstrand, Asia J. Biega and Ben Carterette

2019-09

Fairness and discrimination in recommendation and retrieval
Michael D Ekstrand, Robin Burke and Fernando Diaz
RECSYS 2019
(2019-09-10)
dl.acm.orgPDF

2019-07

Session details: Session 3A: Recommendations 1
SIGIR 2019
(2019-07-18)
dl.acm.org
Fairness and Discrimination in Retrieval and Recommendation
Michael D. Ekstrand, Robin Burke and Fernando Diaz
SIGIR 2019
(2019-07-18)
doi.org
Social Data: Biases, Methodological Pitfalls, and Ethical Boundaries
Alexandra Olteanu, Carlos Castillo, Fernando Diaz and Emre Kiciman
Social Science Research Network
(2019-07-11)
www.frontiersin.orgPDF
Incorporating Query Term Independence Assumption for Efficient Retrieval and Ranking using Deep Neural Networks
Bhaskar Mitra, Corby Rosset, David Hawking, Nick Craswell, Fernando Diaz and Emine Yilmaz
arXiv preprint arXiv:1907.03693
(2019-07-08)
ui.adsabs.harvard.eduPDF

Publications collected and formatted using Paperoni

array(1) { ["wp-wpml_current_language"]=> string(2) "fr" }