想了解推荐系统最新研究进展？请收好这16篇论文
在碎片化閱讀充斥眼球的時代，越來越少的人會去關(guān)注每篇論文背后的探索和思考。
在這個欄目里，你會快速 get 每篇精選論文的亮點(diǎn)和痛點(diǎn)，時刻緊跟 AI 前沿成果。
點(diǎn)擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。
這是 PaperDaily 的第 108?篇文章@somtian 推薦
#Recommender Systems
本文是最新發(fā)表的一篇利用深度學(xué)習(xí)做推薦系統(tǒng)的綜述，不僅從深度學(xué)習(xí)模型方面對文獻(xiàn)進(jìn)行了分類，而且從推薦系統(tǒng)研究的問題方面對文獻(xiàn)做了分類。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2271
@daven88 推薦
#Recommender System
本文提出了一種基于 self-attention 的基于序列的推薦算法，該算法是用 self-attention 從用戶的交互記錄中自己的去學(xué)習(xí)用的近期的興趣，同時該模型也保留了用戶的長久的興趣。整個網(wǎng)絡(luò)是在 metric learning 的框架下，是第一次將 self-attention 和 metric learning的結(jié)合的嘗試。?
實(shí)驗(yàn)結(jié)果表明，通過 self-attention，模型可以很好的學(xué)習(xí)用戶的短期興趣愛好， 并且能有效的提升模型效果。通過和近期的文章得對比發(fā)現(xiàn)，該方法可以在很大程度上改善序列化推薦的效果。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
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(tǒng)算法——Metric Factorization（距離分解）， 該方法旨在改進(jìn)傳統(tǒng)的基于矩陣分解的推薦系統(tǒng)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(xiàn)。?
本文提出新型的解決方案，通過把用戶和商品看作是一個低緯空間里面的點(diǎn)，然后用他們之間的距離來表示他們的距離。通過類似于矩陣分解的 squared loss 就能很好的從已有的歷史數(shù)據(jù)中學(xué)出用戶和商品在這個低維空間的位置。?
Metric Factorization 可以用在評分預(yù)測和排序兩個經(jīng)典的推薦場景，并且都取得了 state-of-the-art 的結(jié)果，超過基于深度學(xué)習(xí)以及已有的 Metric learning 的推薦算法。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2002
源碼鏈接
https://github.com/cheungdaven/metricfactorization
@paperweekly 推薦
#Session-based Recommendation
本文是圣塔克拉拉大學(xué)和 Google 聯(lián)合發(fā)表于 SIGIR 2018 的工作。在傳統(tǒng)的協(xié)同過濾模型中，隱藏因子模型能夠捕捉交互的全局特征，基于近鄰的相似度模型能夠捕捉交互的局部特征。本文將兩類協(xié)同過濾模型進(jìn)行統(tǒng)一，根據(jù)注意力機(jī)制和記憶模塊刻畫復(fù)雜的用戶-物品交互關(guān)系。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2341
源碼鏈接
https://github.com/tebesu/CollaborativeMemoryNetwork
@Ttssxuan 推薦
#Session-based Recommendation
本文系統(tǒng)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 大類算法進(jìn)行介紹。
此外，論文使用 RSC15、TMALL、ZALANDO、RETAILROCKET、8TRACKS 、AOTM、30MUSIC、NOWPLAYING、CLEF 等 7 個數(shù)據(jù)集進(jìn)行分析，在 Mean Reciprocal Rank (MRR)、Coverage、Popularity bias、Cold start、Scalability、Precision、Recall 等指標(biāo)上進(jìn)行比較。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/1809
源碼鏈接
https://www.dropbox.com/sh/7qdquluflk032ot/AACoz2Go49q1mTpXYGe0gaANa?dl=0
@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(xué)聯(lián)合發(fā)表于 CIKM 2018 的工作。為了解決協(xié)同過濾的稀疏性和冷啟動問題，研究人員通常利用社交網(wǎng)絡(luò)或項(xiàng)目屬性等輔助信息來提高推薦效果。本文將知識圖譜應(yīng)用到推薦系統(tǒng)中，是一個很新穎的方法，給推薦系統(tǒng)提供了一個全新的思路。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2201
源碼鏈接
https://github.com/hwwang55/RippleNet
@17856500348 推薦
#Recommender System
本文提出了一種基于文章表示學(xué)習(xí)的方法，在為學(xué)術(shù)論文進(jìn)行引文推薦任務(wù)上取得了較大成效。將給定的查詢文檔嵌入到向量空間中，然后將其鄰近選項(xiàng)作為候選，并使用經(jīng)過訓(xùn)練的判別模型重新排列候選項(xiàng)，以區(qū)分觀察到的和未觀察到的引用。此外，本文還發(fā)布了一個包含?700 萬篇研究文章的公開數(shù)據(jù)集。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2324
源碼鏈接
https://github.com/allenai/citeomatic
@Yagamilight 推薦
#Explainable Recommendation
本文是對“可解釋性推薦系統(tǒng)”相關(guān)以及最新研究的調(diào)研總結(jié)，內(nèi)容包括問題定義、問題歷史、解決方案、相關(guān)應(yīng)用和未來方向。論文內(nèi)容較為全面，對于剛接觸這一方向或者已經(jīng)從事搭配領(lǐng)域的業(yè)者學(xué)者有很好的借鑒意義，文章最后對于一些可以發(fā)展的方向的論述也很有啟發(fā)意義。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2276
@paperweekly 推薦
#Session-based Recommendation
本文是電子科大發(fā)表于 KDD 2018 的工作。論文提出了一種短期注意力/記憶優(yōu)先的網(wǎng)絡(luò)模型，在建模長時間序列的用戶點(diǎn)擊行為時，著重加強(qiáng)用戶近期行為的影響。該方法既考慮了從長期歷史行為挖掘用戶的一般興趣，又考慮了用戶上一次點(diǎn)擊挖掘用戶的即時興趣。實(shí)驗(yàn)表明，本文工作在 CIKM16 和 RSC15 兩個經(jīng)典數(shù)據(jù)集上均達(dá)到了最優(yōu)結(jié)果。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2339
@Minusone 推薦
#Search Ranking
本文是 Airbnb 團(tuán)隊(duì)發(fā)表于 KDD 18 的工作，摘得 Applied Data Science Track Best Paper 獎項(xiàng)。論文介紹了 Airbnb 利用 word embedding 的思路訓(xùn)練 Listing（也就是待選擇的民宿房間）和用戶的 embedding 向量，并在此基礎(chǔ)上實(shí)現(xiàn)相似房源推薦和實(shí)時個性化搜索。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2264
@stevechoris 推薦
#E-commerce Recommendation
本文是阿里巴巴和香港科技大學(xué)發(fā)表于 SIGKDD 2018 的工作，論文結(jié)合節(jié)點(diǎn) side information，解決了圖表示學(xué)習(xí)中稀疏性和冷啟動問題，在電商 i2i 推薦上取得很好的效果。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/1939
@paperweekly 推薦
#Sequential Recommendation
本文是清華大學(xué)發(fā)表于 WSDM 2018 的工作?，F(xiàn)有的深度學(xué)習(xí)推薦模型通常把用戶的歷史記錄編碼成一個 latent vector，但是可能會丟失 per-item 的共現(xiàn)信息。本文提出一種記憶增強(qiáng)的神經(jīng)網(wǎng)絡(luò)，把用戶歷史存到 memory 里，并設(shè)計(jì)了 read/write 機(jī)制更新 memory 內(nèi)容，使序列網(wǎng)絡(luò)能更動態(tài)地記錄用戶歷史信息。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2337
@somtian 推薦
#Recommender System
本文是清華大學(xué)發(fā)表于 WWW 18 的工作，論文利用圖片增強(qiáng)效果，傳統(tǒng)的方法只考慮 CNN 抽取的圖像特征；而本文考慮了圖片中的美學(xué)特征對于推薦的影響；作者利用 BDN 從圖片中學(xué)習(xí)美學(xué)特征，然后將其融合到 DCF 中，增強(qiáng)用戶-產(chǎn)品，產(chǎn)品-時間矩陣，從而提高了推薦效果；在亞馬遜和 AVA 數(shù)據(jù)集上都取得了良好的效果。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/1975
@paperweekly 推薦
#Recommender System
本文是南洋理工大學(xué)發(fā)表于 KDD 2018 的工作。在預(yù)測用戶對商品的評分時，如何學(xué)習(xí)用戶和商品的表示至關(guān)重要。本文基于協(xié)同注意力機(jī)制，在 review-level 和 word-level 對用戶評論和與商品相關(guān)的評論進(jìn)行選擇，選擇最重要的一條或若干條評論來對用戶和商品進(jìn)行表示。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2340
源碼鏈接
https://github.com/vanzytay/KDD2018_MPCN
@charlesyy 推薦
#POI Recommendation
本文來自阿里巴巴，論文嘗試設(shè)計(jì)和實(shí)現(xiàn)了一種能夠融合用戶多種時序行為數(shù)據(jù)的方法，較為創(chuàng)新的想法在于提出了一種同時考慮異構(gòu)行為和時序的解決方案，并給出較為簡潔的實(shí)現(xiàn)方式。使用類似 Google 的 self-attention 機(jī)制去除 CNN、LSTM 的限制，讓網(wǎng)絡(luò)訓(xùn)練和預(yù)測速度變快的同時，效果還可以略有提升。 此框架便于擴(kuò)展。可以允許更多不同類型的行為數(shù)據(jù)接入，同時提供多任務(wù)學(xué)習(xí)的機(jī)會，來彌補(bǔ)行為稀疏性。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/1731
源碼鏈接
https://github.com/jinze1994/ATRank
@somtian?推薦
#Recommender System
本文在利用深度學(xué)習(xí)做推薦時，考慮了推薦的顯式反饋和隱式反饋，將其融合構(gòu)建成一個矩陣，從而將用戶和產(chǎn)品的不同向量輸入到兩個并行的深層網(wǎng)絡(luò)中去。最后，設(shè)計(jì)了一種新型的損失函數(shù)以同時考慮評分和交互兩種不同類型的反饋數(shù)據(jù)。
▲?論文模型：點(diǎn)擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/1799
源碼鏈接
https://github.com/RuidongZ/Deep_Matrix_Factorization_Models
#推 薦 有 禮#
本期所有入選論文的推薦人
均將獲得PaperWeekly紀(jì)念周邊一份
▲?深度學(xué)習(xí)主題行李牌/卡套 + 防水貼紙
?禮物領(lǐng)取方式?
推薦人請根據(jù)論文詳情頁底部留言
添加小助手領(lǐng)取禮物
想要贏取以上周邊好禮？
點(diǎn)擊閱讀原文即刻推薦論文吧！
點(diǎn)擊以下標(biāo)題查看往期推薦：?
??15篇最新AI論文了解一下 | 本周值得讀
??收下這12篇最新論文，煉丹不愁沒靈感
??暑假沒人帶怎么辦？還有我們?yōu)槟阃扑]論文
??本周份AI論文推薦新鮮出爐！真的很skr了~
??本周最熱 AI 論文大集合，還不快一鍵收藏？
還在熬夜憋思路？這12篇最新論文打包送給你
#投 稿 通 道#
?讓你的論文被更多人看到?
如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？?答案就是：你不認(rèn)識的人。
總有一些你不認(rèn)識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?
PaperWeekly 鼓勵高校實(shí)驗(yàn)室或個人，在我們的平臺上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個，讓知識真正流動起來。
??來稿標(biāo)準(zhǔn)：
? 稿件確系個人原創(chuàng)作品，來稿需注明作者個人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?
? 如果文章并非首發(fā)，請?jiān)谕陡鍟r提醒并附上所有已發(fā)布鏈接?
? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會添加“原創(chuàng)”標(biāo)志
? 投稿郵箱：
? 投稿郵箱：hr@paperweekly.site?
? 所有文章配圖，請單獨(dú)在附件中發(fā)送?
? 請留下即時聯(lián)系方式（微信或手機(jī)），以便我們在編輯發(fā)布時和作者溝通
?
現(xiàn)在，在「知乎」也能找到我們了
進(jìn)入知乎首頁搜索「PaperWeekly」
點(diǎn)擊「關(guān)注」訂閱我們的專欄吧
關(guān)于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
▽ 點(diǎn)擊 |?閱讀原文?| 獲取更多論文推薦
總結(jié)
以上是生活随笔為你收集整理的想了解推荐系统最新研究进展？请收好这16篇论文的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 经典论文复现 | 基于深度学习的图像超分
- 下一篇： 重磅 | 带学斯坦福CS231n计算机视