推薦系統頂會 RecSys2018 最佳論文獎出爐！因果嵌入推薦與使用者研究成為焦點

官網地址：https://recsys.acm.org/best-papers/

最佳長論文

RecSys 2018 的最佳長論文（Best Long Paper Award）由 Criteo人工智慧實驗室的 Stephen Bonner 和 Flavian Vasile 獲得。他們提出因果嵌入的推薦方法。

最佳長論文：Causal Embeddings for Recommendation

論文連結：http://www.zhuanzhi.ai/paper/f85a6456c9f08b6584ca62c05279147d

許多當前的應用程式使用推薦來影響自然使用者行為，例如增加銷售數量或在網站上花費的時間。這導致最終推薦目標與經典設定之間的差距，其中推薦候選者的效果是通過其與過去使用者行為的一致性來評估完成的，通過預測使用者項矩陣中的缺失條目或最可能的下一事件來實現。為了彌補這一差距，我們優化了推薦策略，以便針對有機使用者行為增加預期結果。我們證明這相當於學習在完全隨機推薦策略下預測推薦結果。為此，我們提出了一種新的領域自適應演算法，該演算法從包含偏向推薦策略結果的記錄資料中學習，並根據隨機暴露預測推薦結果。我們將提出的方法與最先進的因子分解方法以及新的因果推薦方法進行比較，實驗結果顯示出顯著的效果提升。

此外，另一篇論文獲得 Best Long Paper Runner-up：

• 標題：Generation Meets Recommendation: Proposing Novel Items for Groups of Users

• 作者：T.V. Vo, H. Soh

論文地址：https://doi.org/10.1145/3240323.3240357

最佳短論文

RecSys 2018 的最佳短論文（Best Short Paper Award）由德國 Duisburg-Essen 大學的 Benedikt Loepp 等人獲得。他們提出研究使用者推薦評估中的物品消費的影響。

最佳短論文：Impact of Item Consumption on Assessment of Recommendations in User Studies

論文連結：https://doi.org/10.1145/3240323.3240375

在推薦系統的使用者研究中，參與者通常不能消費推薦的物品。他們被要求通過問卷調查評估推薦質量和與使用者體驗相關的其他特性。然而，如果沒有聽過推薦的歌曲或看過建議的電影，這可能是一個容易出錯的任務，可能會限制這些研究中獲得的結果的有效性。在本文中，我們研究了實際消費推薦物品的效果。我們提出兩個在不同領域進行的使用者研究，在某些情況下表明，建議和問卷調查結果的評估存在差異。顯然，在不允許使用者使用物品的情況下，並不總是能夠充分測量使用者體驗。另一方面，根據領域和提供的資訊，參與者有時似乎相當接近推薦的實際價值。

此外，另一篇論文獲得 Best Short Paper Runner-up：

• 標題：HOP-rec: High-order Proximity for Implicit Recommendation

• 作者：J.-H. Yang, C.-M. Chen, C.-J. Wang, M.-F. Tsai

論文地址：https://dl.acm.org/citation.cfm?doid=3240323.3240381

相關資料

推薦文章

CIKM 2016：大資料科學的前沿與應用

知識圖譜的發展概述

使用嵌入改善客戶生命週期價值預測：幫助提升網路零售效益