想了解推薦系統最新研究進展？請收好這16篇論文

推薦系統 · 發表 2018-09-29 19:46:04

摘要： A review on deep learning for recommender systems: challenges and remedies @somtian 推薦 #Recommender Systems 本文是最新發表的一篇利用深度學習做推薦系統的綜...

A review on deep learning for recommender systems: challenges and remedies

@somtian 推薦

#Recommender Systems

本文是最新發表的一篇利用深度學習做推薦系統的綜述 ，不僅從深度學習模型方面對文獻進行了分類，而且從推薦系統研究的問題方面對文獻做了分類。

論文連結： ofollow,noindex"> https://www. paperweekly.site/papers /2271

Next Item Recommendation with Self-Attention

@daven88 推薦

#Recommender System

本文提出了一種基於 self-attention 的基於序列的推薦演算法 ，該演算法是用 self-attention 從使用者的互動記錄中自己的去學習用的近期的興趣，同時該模型也保留了使用者的長久的興趣。整個網路是在 metric learning 的框架下，是 第一次將 self-attention 和 metric learning的結合的嘗試。

實驗結果表明，通過 self-attention，模型可以很好的學習使用者的短期興趣愛好，並且能有效的提升模型效果。通過和近期的文章得對比發現，該方法可以在很大程度上改善序列化推薦的效果。

論文連結： https://www. paperweekly.site/papers /2246

Metric Factorization: Recommendation beyond Matrix Factorization

@daven88 推薦

#Recommender System

本文提出了一種新型的推薦系統演算法——Metric Factorization（距離分解） ，該方法旨在改進傳統的基於矩陣分解的推薦系統演算法。矩陣分解一個很大的問題就是不符合 inequality property，這很大程度上阻礙了其表現。

本文提出新型的解決方案， 通過把使用者和商品看作是一個低緯空間裡面的點，然後用他們之間的距離來表示他們的距離。 通過類似於矩陣分解的 squared loss 就能很好的從已有的歷史資料中學出使用者和商品在這個低維空間的位置。

Metric Factorization 可以用在評分預測和排序兩個經典的推薦場景，並且都取得了 state-of-the-art 的結果 ，超過基於深度學習以及已有的 Metric learning 的推薦演算法。

論文連結： https://www. paperweekly.site/papers /2002

原始碼連結： https:// github.com/cheungdaven/ metricfactorization

Collaborative Memory Network for Recommendation Systems

@paperweekly 推薦

#Session-based Recommendation

本文是聖塔克拉拉大學和 Google 聯合發表於 SIGIR 2018 的工作。在傳統的協同過濾模型中，隱藏因子模型能夠捕捉互動的全域性特徵，基於近鄰的相似度模型能夠捕捉互動的區域性特徵。 本文將兩類協同過濾模型進行統一，根據注意力機制和記憶模組刻畫複雜的使用者-物品互動關係。

論文連結： https://www. paperweekly.site/papers /2341

原始碼連結： https:// github.com/tebesu/Colla borativeMemoryNetwork

Evaluation of Session-based Recommendation Algorithms

@Ttssxuan 推薦

#Session-based Recommendation

本文系統地介紹了 Session-based Recommendation ，主要針對 baseline methods, nearest-neighbor techniques, recurrent neural networks, 和 (hybrid) factorization-based methods 等 4 大類演算法進行介紹。

此外，論文使用 RSC15、TMALL、ZALANDO、RETAILROCKET、8TRACKS 、AOTM、30MUSIC、NOWPLAYING、CLEF 等 7 個數據集進行分析，在 Mean Reciprocal Rank (MRR)、Coverage、Popularity bias、Cold start、Scalability、Precision、Recall 等指標上進行比較。

論文連結： https://www. paperweekly.site/papers /1809

原始碼連結： https://www. dropbox.com/sh/7qdquluf lk032ot/AACoz2Go49q1mTpXYGe0gaANa?dl=0

RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

@xuzhou 推薦

#Knowledge Graph

本文是上海交大、微軟亞洲研究院和香港理工大學聯合發表於 CIKM 2018 的工作。為了解決協同過濾的稀疏性和冷啟動問題，研究人員通常利用社交網路或專案屬性等輔助資訊來提高推薦效果。 本文將知識圖譜應用到推薦系統中，是一個很新穎的方法，給推薦系統提供了一個全新的思路。

論文連結： https://www. paperweekly.site/papers /2201

原始碼連結： https:// github.com/hwwang55/Rip pleNet

Content-Based Citation Recommendation

@17856500348 推薦

#Recommender System

本文提出了一種基於文章表示學習的方法，在為學術論文進行引文推薦任務上取得了較大成效。 將給定的查詢文件嵌入到向量空間中，然後將其鄰近選項作為候選，並使用經過訓練的判別模型重新排列候選項，以區分觀察到的和未觀察到的引用。此外， 本文還發布了一個包含 700 萬篇研究文章的公開資料集。

論文連結： https://www. paperweekly.site/papers /2324

原始碼連結： https:// github.com/allenai/cite omatic

Explainable Recommendation: A Survey and New Perspectives

@Yagamilight 推薦

#Explainable Recommendation

本文是對“可解釋性推薦系統”相關以及最新研究的調研總結，內容包括問題定義、問題歷史、解決方案、相關應用和未來方向。 論文內容較為全面，對於剛接觸這一方向或者已經從事搭配領域的業者學者有很好的借鑑意義，文章最後對於一些可以發展的方向的論述也很有啟發意義。

論文連結： https://www. paperweekly.site/papers /2276

STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation

@paperweekly 推薦

#Session-based Recommendation

本文是電子科大發表於 KDD 2018 的工作。 論文提出了一種短期注意力/記憶優先的網路模型，在建模長時間序列的使用者點選行為時，著重加強使用者近期行為的影響。 該方法既考慮了從長期歷史行為挖掘使用者的一般興趣，又考慮了使用者上一次點選挖掘使用者的即時興趣。實驗表明，本文工作在 CIKM16 和 RSC15 兩個經典資料集上均達到了最優結果。

論文連結： https://www. paperweekly.site/papers /2339

Real-time Personalization using Embeddings for Search Ranking at Airbnb

@Minusone 推薦

#Search Ranking

本文是 Airbnb 團隊發表於 KDD 18 的工作，摘得 Applied Data Science Track Best Paper 獎項。論文介紹了 Airbnb 利用 word embedding 的思路訓練 Listing（也就是待選擇的民宿房間）和使用者的 embedding 向量，並在此基礎上實現相似房源推薦和實時個性化搜尋。

論文連結： https://www. paperweekly.site/papers /2264

Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

@stevechoris 推薦

#E-commerce Recommendation

本文是阿里巴巴和香港科技大學發表於 SIGKDD 2018 的工作， 論文結合節點 side information，解決了圖表示學習中稀疏性和冷啟動問題，在電商 i2i 推薦上取得很好的效果。

論文連結： https://www. paperweekly.site/papers /1939

Sequential Recommendation with User Memory Networks

@paperweekly 推薦

#Sequential Recommendation

本文是清華大學發表於 WSDM 2018 的工作。現有的深度學習推薦模型通常把使用者的歷史記錄編碼成一個 latent vector，但是可能會丟失 per-item 的共現資訊。 本文提出一種記憶增強的神經網路，把使用者歷史存到 memory 裡，並設計了 read/write 機制更新 memory 內容，使序列網路能更動態地記錄使用者歷史資訊。

論文連結： https://www. paperweekly.site/papers /2337

Aesthetic-based Clothing Recommendation

@somtian 推薦

#Recommender System

本文是清華大學發表於 WWW 18 的工作，論文利用圖片增強效果，傳統的方法只考慮 CNN 抽取的影象特徵；而本文考慮了圖片中的美學特徵對於推薦的影響； 作者利用 BDN 從圖片中學習美學特徵，然後將其融合到 DCF 中，增強使用者-產品，產品-時間矩陣，從而提高了推薦效果 ；在亞馬遜和 AVA 資料集上都取得了良好的效果。

論文連結： https://www. paperweekly.site/papers /1975

Multi-Pointer Co-Attention Networks for Recommendation

@paperweekly 推薦

#Recommender System

本文是南洋理工大學發表於 KDD 2018 的工作。在預測使用者對商品的評分時，如何學習使用者和商品的表示至關重要。本文基於協同注意力機制，在 review-level 和 word-level 對使用者評論和與商品相關的評論進行選擇，選擇最重要的一條或若干條評論來對使用者和商品進行表示。

論文連結： https://www. paperweekly.site/papers /2340

原始碼連結： https:// github.com/vanzytay/KDD 2018_MPCN

ATRank: An Attention-Based User Behavior Modeling Framework for Recommendation

@charlesyy 推薦

#POI Recommendation

本文來自阿里巴巴， 論文嘗試設計和實現了一種能夠融合使用者多種時序行為資料的方法，較為創新的想法在於提出了一種同時考慮異構行為和時序的解決方案 ，並給出較為簡潔的實現方式。使用類似 Google 的 self-attention 機制去除 CNN、LSTM 的限制，讓網路訓練和預測速度變快的同時，效果還可以略有提升。此框架便於擴充套件。可以允許更多不同型別的行為資料接入，同時提供多工學習的機會，來彌補行為稀疏性。