近期有哪些值得读的推荐系统论文?来看看这份私人阅读清单

在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果。
本期「本周值得读」关注的是「推荐系统」领域,我们精选了 10 篇来自 SIGIR 2020、KDD 2020 等顶会的最新论文,下面就一起来看看读过这些论文的推荐人的推荐理由与个人评价吧!

本期推荐人:纪厚业,北京邮电大学 DMGroup 在读博士生,其研究方向包括异质图分析,图表示学习(神经网络)和推荐系统。目前已经在 WWW,EMNLP 和 PRICAI 上发表多篇相关论文。

#SIGIR 2020

@纪厚业

本文是武汉大学和阿里巴巴发表于 SIGIR 2020 的工作。在实际的推荐场景下,商品通常可以划分为不同的领域,例如图书和电影。虽然它们属于不同的领域,但是可以较为一致的反映用户的偏好。

本文对用户和商品在不同场景下的特点进行了建模并提出一种名为 CATN 的模型。CATN 通过注意力机制学习不同领域之间的协同性。同时,作者还引入了评论信息来进一步强化用户的表示。最后,在评分预测实验上,作者提出的 CATN 可以大幅度超越 SOTA 的算法。

* 论文标题:CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network

* 论文链接:http://www.paperweekly.site/papers/3748

* 源码链接:https://github.com/AkiraZC/CATN

#KDD 2020

@纪厚业

本文是阿里巴巴发表于 KDD 2020 的工作。工业场景下通常存在多种不同的形式辅助信息,这实际上可以认为是多视图信息。通过充分挖掘多方面的信息,通常可以带来一些效果的提升。

但是,本文作者 diss 之前的工作没有深入考虑多视图学习的两个基础性问题:1)如何去除多视图带来的冗余信息并且单个向量无法充分描述所有信息;2)各个视图来自不同的源,其分布的差异也较大。为此,作者提出了一种多视图对齐的方法来解决上述问题。

具体的说,作者提出了名为 M2GRL 框架来学习多视图下的节点表示。多任务学习可以较好地融合单个视图的内部信息和多个视图的交叉信息。最后,作者通过大量的实验验证了 M2GRL 的有效性。

* 论文标题:M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems

* 论文链接:http://www.paperweekly.site/papers/3747

* 源码链接:https://github.com/99731/M2GRL

#SIGIR 2020

@纪厚业

本文是阿里和蚂蚁金服发表在 SIGIR 2020 上的论文。为了更好地刻画多种用户行为并融合知识图谱进行高效推荐,作者设计了一种 Adaptive Target-Behavior Relational Graph network (ATBRG) 来自适应地抽取结构信息和知识信息。

同时,作者还提出了一种 graph prune technique 来构建特定目标的关系图。此外,作者联合了 relation-aware extractor layer 和 representation activation layer 来进行端到端的训练和学习。最后,作者将算法部署到淘宝 APP 上并取得了 5.1% 的 CTR 提升。

* 论文标题:ATBRG: Adaptive Target-Behavior Relational Graph Network for Effective Recommendation

* 论文链接:https://www.paperweekly.site/papers/3811

#SIGIR 2020

@纪厚业

本文是京东发表于 SIGIR 2020 的工作,文章为京东推荐系统领域的实践经验总结,介绍了自 2019 年就部署在京东上的搜索推荐系统框架 DPSR。本文是相关从业人员的很好的参考资料。作者首先介绍了推荐系统的两个问题:如何召回一些相关性的商品以及如何根据用户的偏好进行个性化推荐。 

整个模型并不复杂,重要的是作者介绍了其设计经验其整个业务的流程框架图。只要把流程打通,进一步的做模型优化也会比较容易。同时,作者还对模型的 CPU 和 GPU 资源消耗进行了介绍。在算法复杂度和资源消耗如何折中也是一个工业落地需要考虑的问题。

* 论文标题:Towards Personalized and Semantic Retrieval: An End-to-End Solution for E-commerce Search via Embedding Learning

* 论文链接:https://www.paperweekly.site/papers/3810

#SIGIR 2020

@纪厚业

在实际的推荐系统中,候选商品的生成一个非常大的挑战。我们需要从海量(十亿级)的商品中来选择几百个用户购买意图较强的商品。这也是工业界中的召回过程。目前,工业界的解决方案主要是通过商品相似性 item2item 来进行商品召回,但是其并没有考虑单个用户的偏好及商品的属性。 

本文针对上述问题,提出了一种 attribute-aware collaborative filtering (A2CF) 方法在保证准确度的前提下实现了可解释性的推荐。通过对用户商品属性进行分析,可以在属性层面反映他们的偏好。最后,作者在大量数据上验证了算法的有效性。


* 论文标题:Try This Instead: Personalized and Interpretable Substitute Recommendation

* 论文链接:http://www.paperweekly.site/papers/3762

* 源码链接:https://rockytchen@bitbucket.org/rockytchen/a2cf-sigir20.git

#SIGIR 2020

@纪厚业

本文发表在 SIGIR 2020 上。现在很多推荐算法都尝试引入异质知识,如知识图谱,来提升推荐系统的效果。但是,这些工作还是没有很好的考虑多方面的商品特性,进而无法精确的学习商品表示。

针对上述问题,本文提出一种基于神经网络的推荐网络 multi-view item network (MVIN) 的算法,同时从用户角度和实体角度来学习多个视角下的商品表示,进而进行商品推荐。 

作者在 3 个真实数据集 MovieLens-1M (ML-1M),LFM-1b 2015 (LFM-1b) 和 Amazon-Book (AZ-book) 上验证了算法的有效。近些年,将知识图谱与推荐系统结合的文章越来越多,引入外部知识很容易能够从数据层面上来提升整个算法的效果。


* 论文标题:MVIN: Learning Multiview Items for Recommendation

* 论文链接:https://www.paperweekly.site/papers/3807

* 源码链接:https://github.com/johnnyjana730/MVIN

#arXiv 2020

@纪厚业

本文来自罗格斯大学和清华大学,这是近期读到的非常惊艳的一篇推荐论文。以往的推荐算法最常见的策略就是学习用户和商品的表示,然后利用相似度函数来进行推荐。本文受最近的符号推理启发,将逻辑推理与表示学习结合起来,利用AND,OR,NOT 来辅助学习节点表示。在多个数据集上大幅度超越现有算法。

神经网络被诟病的一点就是推理能力不行,本文在推荐上做出了很好的尝试和验证,感觉算是挖了值得填的大坑。

* 论文标题:Neural Collaborative Reasoning

* 论文链接:http://www.paperweekly.site/papers/3802

#SIGIR 2020

@纪厚业

本文是中国人民大学和阿里巴巴发表于 SIGIR 2020 的工作。现有的时序推荐算法通常基于最大似然进行训练,并能够针对用户偏好来生成或选择一些商品。但是,之前所有的工作通常只是联合的进行推荐,无法有效的分析是哪些因素影响了最终的推荐结果。

为此,作者提出了一种 Multi-Factor Generative Adversarial Network (MFGAN) 的算法来显式地刻画多种推荐因子。作者借鉴了 GAN 的思想,一个生成器来生成可能的推荐商品,多个判别器来评估不同因子对推荐的影响。最后,作者做了大量的实验来验证本文所提出算法的有效性。

* 论文标题:Sequential Recommendation with Self-Attentive Multi-Adversarial Network

* 论文链接:http://www.paperweekly.site/papers/3752

#SIGIR 2020

@纪厚业

本文是阿姆斯特丹大学和国防科技大学发表于 SIGIR 2020 的工作。对话和提问式的推荐系统已经成为近些年的研究热点。本文提出了一种基于提问式的推荐算法,Qrec 能够交替地自动选择问题和构建答案。

本文是基于矩阵分解框架,并没有使用现在非常火的深度学习技术,通过问答结果来交替的更新用户及商品的表示。同时,可以推断出用户想法进而生成一系列问题。大量的实验结果验证了本文算法的有效性。本文没有盲目跟风使用深度学习技术,在现在的推荐系统论文中感觉独树一帜。

* 论文标题:Towards Question-based Recommender Systems

* 论文链接:http://www.paperweekly.site/papers/3803

#SIGIR 2020

@纪厚业

本文是昆士兰大学和格里菲斯大学发表于 SIGIR 2020 的工作。近些年,如何更好地构建鲁棒的机器学习系统是非常热门的研究方向,尤其是在很多对抗攻击算法不断发展的情况下。在实际工业场景下,推荐系统所能拿到的数据通常会有各种各种的噪音等问题并且可能遭受到攻击。

本文针对实际数据的质量问题,研究了如何在低质量数据上构建更加稳定的推荐系统同时,作者希望能够对一些欺诈也进行检测。通过上述两方面的协同努力,作者同时实现了欺诈检测和高质量的推荐。最后,大量的实验验证了本文算法的有效性。

* 论文标题:GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection

* 论文链接:http://www.paperweekly.site/papers/3749
PaperWeekly
PaperWeekly

推荐、解读、讨论和报道人工智能前沿论文成果的学术平台。

理论推荐系统论文
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

推荐系统技术

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包括基于本体和基于案例的推荐系统)是一类特殊的推荐系统,这类系统更加注重知识表征和推理。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。

多任务学习技术

蚂蚁金服机构

蚂蚁金服是一家旨在为世界带来普惠金融服务的科技企业。 蚂蚁金服起步于2004年成立的支付宝。2014年10月,蚂蚁金服正式成立。 蚂蚁金服以“为世界带来更多平等的机会”为使命,致力于通过科技创新能力,搭建一个开放、共享的信用体系和金融服务平台,为全球消费者和小微企业提供安全、便捷的普惠金融服务。

https://www.antfin.com/
京东机构

京东(股票代码:JD),中国自营式电商企业,创始人刘强东担任京东集团董事局主席兼首席执行官。旗下设有京东商城、京东金融、拍拍网、京东智能、O2O及海外事业部等。2013年正式获得虚拟运营商牌照。2014年5月在美国纳斯达克证券交易所正式挂牌上市。 2016年6月与沃尔玛达成深度战略合作,1号店并入京东。

模型优化技术

像卷积神经网络(CNN)这样的深度学习模型具有大量的参数;实际上,我们可以调用这些超参数,因为它们原本在模型中并没有被优化。你可以网格搜索这些超参数的最优值,但需要大量硬件计算和时间。改进模型的最佳方法之一是基于在你的领域进行过深入研究的专家的设计和体系结构,他们通常拥有强大的硬件可供使用。常见的简单模型优化技巧包括迁移学习、dropout、学习率调整等

推荐文章
暂无评论
暂无评论~