[转载]推荐系统论文整理和阅读指导

之前我整理了KDD21上的工业文章。本文主要对Recsys 2021的研究论文和再现性论文进行了整理和分类。根据推荐系统的研究方向和使用的推荐技术,方便大家快速检索到自己感兴趣的文章。我个人认为Recsys大会的关注点不是“技术有多强”或者“技术有多先进”,而是经常会涌现出很多新的想法和有趣的研究点,涵盖了推荐系统的方方面面。例如,Recsys 2021涵盖的一些有趣的研究点包括:

一些研究点也值得一读,比如冷启动、偏差与矫正、序列推荐、可解释性、隐私保护等。这些研究很有趣,很有启发性,有助于拓宽你的研究思路。

以下分类主要是根据我自己在看题目或摘要时的判断,按照推荐系统的研究方向,推荐的技术以及具有特殊实验性质的可复制文章。可能会有遗漏和错误归属的情况。请多多指正。

信息茧房/回音室)/过滤泡,这三个概念差不多,国内外说法不一。一般指的是使用社交媒体和具有算法推荐功能的资讯类app,可能会导致我们只看到自己感兴趣和认同的内容,然后让大家活在自己的小世界里,很难认同和交流。这部分的概念可以在知乎的文章里找到:/p/71844281。有四篇文章讨论了这样的问题。

本次大会也有很多关于探索和利用的讨论,比如dobby老虎机和Google的新作,即用户端探索。

涉及到排序学习的矫正和用户偏差的发掘。

隐式反馈的去偏可解释成对排序

哈利勒·达马克、萨米·赫尼斯和奥尔法·纳斯拉乌伊

通过信息瓶颈减少推荐中的混淆偏差

刘、、、、、何秀强、潘伟科和

推荐算法超精度测量中的用户偏差

宁夏王和

用图形学习和表示学习做冷启动。

冷启动类似的艺术家与重力启发图自动编码器排名

纪尧姆·萨尔哈-加尔万、罗曼·亨内昆、本杰明·查普斯、陈越安和米哈利斯·瓦济尔詹尼斯

完全冷启动问题的共享神经项目表示

Ramin Raziperchikolaei、Guannan Liang和Young-joo Chung

涉及到离线或在线评价方法、准确性、多样性等统一指标的设计。

评估非政策评估:敏感性和稳健性

斋藤森英士、田川拓马、相户爱清原、茂木友川、成田佑介和馆野圭

基于VAE的推荐系统的快速多步评价

迭戈·安托尼尼和博伊·法尔廷斯

建议因果效应的在线评估方法

佐藤正宏

面向推荐系统准确性和多样性的统一度量

哈维尔·帕拉帕尔和菲利普·拉德林斯基

涉及会话维度的短序列推荐;用NLP中常用的变形金刚来讨论解决序列推荐的缺口,我对这部作品还是挺感兴趣的,以后会认真看的!

隐私保护与联邦研究相结合。

通过无数据模型提取对顺序推荐器的黑盒攻击

岳振瑞、何占魁、曾慧敏和朱利安·麦考利

大规模交互式会话推荐系统

阿里·蒙塔泽勒格姆、詹姆斯·艾伦和菲利普·托马斯

例3:可解释的属性感知项目集建议

冼一坤、、李晶、Jim Chan、Andrey Kan、、Xin Luna Dong、克里斯特斯·法鲁索斯、George Karypis、S. Muthukrishnan和张永峰

面向跨领域推荐的源对齐变分模型

Aghiles Salah、Thanh Binh Tran和Hady Lauw

利用视觉信息提出建议。

Ambareesh Revanur、Vijay Kumar和Deepthi Sharma

陈会园、林宇三、王菲和杨昊

讨论了美食场景下多用户意向推荐系统的交互设计。

“服务每个用户”:通过多列表推荐界面支持不同的饮食目标

阿兰·斯塔克、伊迪丝·阿索蒂奇和克里斯托弗·特拉特纳

涉及传统协同过滤和度量学习的迭代;探索新兴的图形学习技术、联邦学习技术和强化学习技术。

用于协同过滤的矩阵分解归根结底只是求解一个伴随的潜在狄利克雷分配模型

弗洛里安·威廉

改进协同过滤的负面互动:不要深入,要深入

哈拉尔德·斯泰克和梁大文

协议f:用于少量项目推荐的原型协同过滤

Aravind Sankar、Junting Wang、Adit Krishnan和Hari Sundaram

知识地图的应用以及图形嵌入技术和情境感知表示技术的整合,是两个工作个体都非常感兴趣的。

安东尼奥·费拉拉、维托·瓦尔特·阿内利、托马索·迪·诺亚和阿尔贝托·卡洛·玛利亚·曼奇诺

马尔科·波利尼亚诺、卡塔尔多·穆斯托、马尔科·德·杰米斯、帕斯夸莱·洛佩斯和乔瓦尼·塞梅拉罗

它涉及训练、优化、检索、实时流等。

杰里米·拉帕兹、朱利安·麦考利和卡尔·阿伯里

再现性论文可以再现实验文章,***3篇。分别探讨了序列推荐中的抽样评价策略;对话推荐系统中生成和搜索方法的比较:神经网络推荐系统与矩阵分解推荐系统的比较。

通过对论文的整理和分类,作者还发现了一些有趣的研究点,如:推荐关于系统的回音室效应的文章;Transformers在序列推荐和NLP序列表征方面的差距及解决方案文章:Transformers4Rec;图嵌入表示和上下文感知表示的融合:关于NCF和中频实验的比较文章: