2020年推荐系统工程师炼丹手册

炼丹要练好，须有好丹方，何处寻好的丹方，答曰：顶会！

本人乃初级炼丹师，难免会有纰漏，还请各位大佬莫要见笑，如有什么错误，还请多多指点，奋斗鸭。

1: Where to Go Next: Modeling Long- and Short-Term User Preferences for Point-of-Interest Recommendation 

摘要：POI推荐（Point-of-Interest，POI）是一个热门的研究课题，它从大量候选场馆中为用户生成更加方便的个性化的建议。因为用户的签到记录可以看作是一个很长的序列，基于递归神经 络（RNNs）的方法在这块显示出了很好的适用性。然而，现有的基于RNN的方法在对用户短期偏好建模时，要么忽略了用户的长期偏好，要么忽略了最近访问的poi之间的地理关系，使得我们的推荐结果并不可靠。针对上述局限性，我们提出了一种新的长短期偏好建模方法（LSTPM）。特别地，该模型由一个用于长期偏好建模的非局部 络和一个用于短期偏好学习的geo-dialted RNN组成。在两个实际数据集上的大量实验表明，我们的模型相比目前最好的方法得到了显著的提升。

2.PEIA: Personality and Emotion Integrated Attentive Model for Music Recommendation on Social Media Platforms

3. A Knowledge-Aware Attentional Reasoning Network for Recommendation

4. Enhancing Personalized Trip Recommendation with Attractive Routes

5.Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation

摘要：最近关于推荐的研究主要集中在探索提高最新神经 络的表达能力，而通常为了 络的高效学习，我们常常采用负采样（NS）策略。这样的方法虽然有效，但有两个重要的问题没有得到很好的考虑：1）NS的波动性很大，使得基于抽样的方法在实际应用中很难获得最优的排序性能；2）虽然各种各样的反馈（例如，查看、点击、点击等），和购买）广泛存在于许多在线系统，大多数现有的方法只利用一种主要类型的用户反馈，如购买。在这项工作中，我们提出了一个新的非抽样迁移学习解决方案，我们将其命名为高效异构协同过滤（EHCF）的Top-N推荐。它不仅可以对细粒度的用户商品关系进行建模，而且能够以较低的时间复杂度从整个异构数据（包括所有未标记数据）中高效地学习模型参数。在三个实际数据集上的大量实验表明，EHCF在传统（单一行为）和异构场景中都显著优于最新的推荐方法。此外，EHCF在训练效率上有显著提高，使其更适用于实际的大型系统。我们的实现已经发布1，以方便基于全量数据的神经方法的进一步发展。 

6. An Attentional Recurrent Neural Network for Personalized Next Location Recommendation

摘要：现有的关于下一个位置推荐的研究大多提出对签入序列的序列规则性进行建模，但由于大多数位置的后续位置少于5个，因此存在严重的数据稀疏问题。为此，我们提出了一种基于注意机制的递归神经 络（ARNN）来联合建模相似位置（邻居）的序列规律性和转移规律性。特别地，我们首先设计了一个基于元路径的随机游走在一个新的知识图上，以此来发现基于异质因素的位置邻居。然后采用一个递归神经 络，通过捕捉控制用户移动性的各种上下文，对序列规则性进行建模。同时，通过注意机制整合被发现邻居的转移规律，并将其与序列规则无缝协作，形成一个统一的递归框架。在多个真实数据集上的实验结果表明，ARNN都优于最新的方法。

7. Memory Augmented Graph Neural Networks for Sequential Recommendation

摘要：在许多推荐系统中，用户商品交互的时间顺序可以揭示用户行为的时间演化和顺序。用户将与之交互的商品可能取决于过去访问的商品。然而，用户和商品的大量增加使得顺序推荐系统仍然面临着不小的挑战：（1）短期用户兴趣建模困难；（2）长期用户兴趣难以捕捉；（3）商品共现模式的有效建模。为了解决这些问题，我们提出了一种记忆增强图神经 络（MA-GNN）来同时捕捉用户的长期和短期兴趣。具体地说，我们使用一个图神经 络在短期内对商品上下文信息进行建模，并利用共享内存 络来捕捉商品之间的长期依赖关系。除了用户兴趣的建模外，我们使用双线性函数来捕捉相关商品的共现模式。我们在五个真实世界的数据集上对我们的模型进行了广泛的评估，与几种最先进的方法进行了比较，并使用了各种性能指标。实验结果验证了该模型对Top-K序列推荐任务的有效性。

8. Leveraging Title-Abstract Attentive Semantics for Paper Recommendation

9. Diversified Interactive Recommendation with Implicit Feedback

10. Question-driven Purchasing Propensity Analysis for Recommendation

摘要：电子商务 站的商家期望推荐系统能够吸引更多的消费，而这与消费者的购买倾向高度相关。然而，大多数现有的推荐系统关注的是顾客的总体偏好，而不是通常由顾客提出的问题所决定的即时需求。一个典型的推荐场景是：Bob想买一部可以玩PUBG游戏的手机。他对华为P20很感兴趣，在它下面问“PUBG能在这部手机上顺利运行吗。然后我们的系统向他推荐最符合条件的手机。直觉上，不同的用户问题可能会在其他有类似顾虑的用户撰写的评论中得到解决。为了解决这一问题，我们提出了一种新的问题驱动的注意神经 络（QDANN），根据用户生成的评论来评估提问者的即时需求和产品的合格性，并据此进行推荐。没有监督，QDANN可以很好地利用评论来实现这一目标。注意机制可以用来为建议提供解释。我们在淘宝 的三个领域对QDANN进行了评估。结果表明该方法的有效性，效果都优于基线法。

11.Sequential Recommendation with Relation-Aware Kernelized Self-Attention

12. Incremental Fairness in Two-Sided Market Platforms: On Smoothly Updating Recommendations

13.  Attention-guide Walk Model in Heterogeneous Information Network for Multi-style Recommendation Explanation

摘要：可解释推荐的目的不仅在于向用户提供推荐的商品，而且要让用户知道为什么要推荐这些商品。在一个异构的信息 络中，用户和商品之间有太多的交互因素可以用来解释推荐。然而，这些相互作用的因素通常是巨大的、含蓄的和嘈杂的。现有的推荐解释方法只考虑单一的解释风格，如方面层或评论层。为了解决这些问题，我们针对异构信息 络中的隶属关系和交互关系，提出了一种基于注意-引导-行走模型的多风格推荐解释生成框架（MSRE）。在注意机制的启发下，我们确定了推荐解释的重要上下文，并学习了多风格用户商品交互的联合表示，以提高推荐性能。通过对三个真实数据集的大量实验，验证了该框架在推荐性能和推荐解释方面的有效性。 

14. Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation

摘要：最近，推荐系统已经能够通过利用用户提供的评论来进行大大改进。现有方法通常将给定用户或商品的所有评论合并到一个长文档中，然后以相同的方式处理用户和商品文档。然而，在实践中，这两组评论明显不同：用户的评论反映了他们购买的各种商品，因此他们的主题非常不同，而一个商品的评论只与单个商品有关，因此在主题上是同质的。在这项工作中，我们开发了一个新的神经 络模型，它通过非对称注意模块恰当地解释了这一重要差异。用户模块学习只关注与目标商品相关的那些信 ，而商品模块学习提取关于商品属性的最显著的内容。我们的多层次范式解释了这样一个事实：不是所有的评论都同样有用，也不是每个评论中的所有句子都同样相关。在各种实际数据集上的大量实验结果证明了该方法的有效性。

15. Table2Analysis: Modeling and Recommendation of Common Analysis Patterns for Multi-Dimensional Data

16.Symmetric Metric Learning with Adaptive Margin for Recommendation

摘要：基于度量学习的方法在推荐系统中引起了广泛的兴趣。目前的方法在度量空间中采取以用户为中心的方式，保证用户与负商品之间的距离比当前用户与正商品之间的距离大一定的距离。而忽视了正向商品与负向商品之间的关系。因此，这两个商品可能定位得很近，从而导致不正确的结果。同时，不同的用户通常有不同的偏好，这些方法所采用的固定margin不能适应各种用户的偏差，从而降低了性能。针对这两个问题，我们提出了一种新的基于自适应margin的对称度量学习算法。除了当前的以用户为中心的度量之外，它对称地引入了一个积极的以商品为中心的度量，该度量保持了从正向商品到用户的距离，同时将负向商品从正商向品推离。此外，动态自适应margin经过良好训练，以减轻偏差的影响。在三个公开推荐数据集上的实验结果表明，与几种最先进的方法相比，SML具有竞争性的性能。

17. Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation

18.Towards Comprehensive Recommender Systems: Time-Aware Unified Recommendations Based on Listwise Ranking of Implicit Cross-Network Data

摘要：web应用程序中丰富的信息使得推荐对于用户和应用程序都至关重要。尽管现有的推荐系统是有效的，但是我们发现两个主要的限制降低了它们的整体性能：（1）不能通过考虑用户偏好的动态特性来为新用户和现有用户提供及时的推荐，以及（2）在使用隐式反馈时没有对排名任务进行充分优化。因此，我们提出了一种新的基于深度学习的统一跨 络解决方案，以缓解冷启动和数据稀疏问题，并为新用户和现有用户提供及时的建议。此外，我们将隐式反馈下的排序问题视为一个分类任务，并针对隐式数据提出了一个通用的个性化列表优化准则，以有效地对商品列表进行排序。我们使用Twitter辅助信息来说明我们的跨 络模型，以便在YouTube目标 络上进行推荐。与多个时间感知基线和跨 络基线的大量比较表明，我们所提出的方案在准确性、新颖性和多样性方面具有优越性。此外，在流行的MovieLens数据集上进行的实验表明，所提出的列表排序方法优于现有的排序技术。

19. Fast Adaptively Weighted Matrix Factorization for Recommendation with Implicit Feedback

摘要：由于缺乏可靠的可观察到的负面数据，来自内隐反馈的推荐是一项极具挑战性的任务。一种流行而有效的隐式推荐方法是将未观察到的数据视为负面，但这会降低他们的置信度。隐式推荐模型的两个关键问题是如何分配置信权重和处理大量未观测到的数据。然而，现有的方法要么追求快速学习，手工分配简单的置信权值，缺乏灵活性，在评价用户偏好时可能产生经验偏差；要么自适应地推断个性化的置信权值，但效率较低。为了实现自适应权值分配和有效的模型学习，我们提出了一种基于变分自动编码器的快速自适应加权矩阵分解（FAWMF）。利用参数化神经 络（函数）自适应地分配个性化数据的置信权，并根据数据推断出 络。此外，为了支持FAWMF快速稳定的学习，我们开发了一种新的基于批处理的学习算法fBGD，该算法对所有反馈数据进行训练，但其复杂度与观测数据的数量成线性关系。在实际数据集上的大量实验表明了所提出的FAWMF及其学习算法fBGD的优越性。

20.Towards Hands-free Visual Dialog Interactive Recommendation

摘要：随着多模式交互推荐技术的发展，用户可以通过对商品图像的自然语言反馈来表达自己的偏好，从而找到所需的商品。然而，现有的系统要么只检索一个条目，要么要求用户在每次用户交互中从推荐列表中指定（例如，通过点击或触摸）评论的条目。因此，用户不能免提，建议可能不切实际。我们提出一个免提的视觉对话推荐系统，以互动方式推荐商品清单。每次，系统都会显示具有视觉外观的商品列表。用户可以用自然语言对列表进行注释，以描述他们进一步想要的功能。使用这些多模式数据，系统将选择另一个要推荐的商列表。为了从这些多模数据中了解用户的偏好，我们开发了神经 络模型来识别列表中的描述项并进一步预测期望的属性。为了实现高效的交互式推荐，我们利用推断出的用户偏好，进一步开发了一种新的bandit算法。具体地说，为了避免系统过度探索，利用期望属性来减少探索空间。更重要的是，为了在这种免提环境下实现样本有效学习，我们从用户用自然语言表达的相对偏好中获取额外样本，并设计了bandit学习中的成对logistic损失。我们的bandit模型由自然语言反馈和传统logistic损失共同修正。实验结果表明，经过几次用户交互后，本系统找到所需商品的概率是传统交互式推荐者的3倍左右。

21.Contextual-Bandit Based Personalized Recommendation with Time-Varying User Interests

摘要：研究了一个高度非平稳环境下的上下文bandit问题，该问题由于用户兴趣的时变性而普遍存在于各种推荐系统中。考虑了两个具有不相交和混合收益的模型来描述用户对不同商的偏好随时间的变化而不同的现象。在不相交的支付模型中，玩单只手臂的奖励由一个特定于手臂的偏好向量决定，该偏好向量是分段平稳的，在不同的手臂上有异步和不同的变化。提出了一种有效的适应 酬突变的学习算法，并进行了理论后悔分析，证明了在时间长度$T$范围内实现了后悔的次线性标度。该算法进一步扩展到一个具有混合收益的更一般的环境中，玩一只手臂的奖励由手臂特定的偏好向量和所有手臂共享的联合系数向量决定。在实际数据集上进行了实证实验，以验证所提出的学习算法相对于基线学习算法在两种情况下的优越性。

22.Stochastically Robust Personalized Ranking for LSH Recommendation Retrieval

23.Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution.

24.Improved Algorithms for Conservative Exploration in Bandits.

25.Deep Match to Rank Model for Personalized Click-Through Rate Prediction.

摘要：点击率预测是推荐系统和许多其他应用领域的核心任务。对于CTR预测模型来说，个性化是提高性能、增强用户体验的关键。近年来，人们提出了几种模型来从隐含反映用户个性化偏好的用户行为数据中提取用户兴趣。然而，现有的CTR预测领域的研究主要集中在用户表示上，而很少关注用户与商品之间的相关性，这直接衡量了用户对目标商品的偏好程度。基于此，我们提出了一种新的深度匹配排名模型DMR，它结合了匹配方法中协同过滤的思想，用于CTR预测中的排名任务。在DMR中，我们设计了用户商品目 络和商品-商品 络，以两种形式表示相关性。在用户-商品 络中，我们通过嵌入空间中相应表示的内积来表示用户与商品之间的相关性。同时，提出了一个辅助匹配 络来监督训练，并推送更大的内积来表示更高的相关性。在商品对商品 络中，我们首先通过注意机制计算用户交互商品与目标商品之间的商品间相似度，然后对相似度进行总结，得到另一种形式的用户-商品关联。我们在公共数据集和工业数据集上进行了大量的实验，以验证我们的模型的有效性，该模型的性能明显优于最先进的模型。

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34188 人正在系统学习中