新知一下
海量新知
6 2 9 9 4 3 8

【推荐系统】16篇最新推荐系统论文送你

深度学习自然语言处理 | 每天干货知识,期待与你相遇! 2020/03/07 17:51

点击上方,选择 星标 置顶 ,每天给你送干货 新知达人, 【推荐系统】16篇最新推荐系统论文送你

阅读大概需要9分钟 新知达人, 【推荐系统】16篇最新推荐系统论文送你

跟随小博主,每天进步一丢丢 新知达人, 【推荐系统】16篇最新推荐系统论文送你


转载自:机器学习与推荐算法


A Survey on Knowledge Graph-Based Recommender Systems
链接: https://arxiv.org/pdf/2003.00911
简介: 该文是一篇 利用知识图来构建推荐系统应用的综述文章 。知识图作为辅助信息来生成推荐引起了人们的极大兴趣。这样的方法不仅可以减轻数据稀疏问题以获得更准确的推荐,而且可以为推荐项目提供解释。



Learning to Hash with Graph Neural Networks for Recommender Systems
链接: https://arxiv.org/pdf/2003.01917
简介: 该文研究了利用图神经网络(GNN)进行高质量检索的哈希问题,并提出了一个简单而有效的 离散表示学习框架来共同学习连续代码和离散代码



LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
链接: https://arxiv.org/pdf/2002.02126
简介: 该文同样是一篇利用图神经网络来进行推荐的文章,在这项工作中,旨在 简化GCN的设计,使其更简洁,更适合于推荐任务


Generalized Embedding Machines for Recommender Systems
链接: https://arxiv.org/pdf/2002.06561
简介: 该文是一篇改进因子分解机用于推荐的文章。在这项工作中,提出了一种 在嵌入层面上对高阶交互信号进行建模的替代方法 ,即通用嵌入机(GEM)。



Jointly Learning to Recommend and Advertise
链接: https://arxiv.org/pdf/2003.00097
简介: 该文提出了 一个新颖的两级强化学习框架,以共同优化推荐和广告策略 ,从而避免推荐任务和广告业务分别进行优化而带来的性能损失。



HAM: Hybrid Associations Model with Pooling for Sequential Recommendation
链接: https://arxiv.org/pdf/2002.11890
简介: 该文设计了一种 混合关联模型 (HAM),它使用两个因素来生成序列推荐:用户的长期偏好和用户最近购买/评分中的高阶和低阶关联模式的序列。另外,HAM使用简单池化来表示关联中的一组项目。



Fast Adaptively Weighted Matrix Factorization for Recommendation with Implicit Feedback
链接: https://arxiv.org/pdf/2003.01892
简介: 该文主要 针对隐式反馈数据提出了一种自适应权重分配的矩阵分解模型 ,该方法可以加快模型的学习以及权重的自适应分配。



Using Image Captions and Multitask Learning for Recommending Query Reformulations
链接: https://arxiv.org/pdf/2003.00708
简介: 交互式搜索会话通常包含多个查询,其中用户得到响应的原始结果后,提交一个查询的重新格式的版本。 该文旨在 为商业图像搜索引擎增强查询推荐体验



Contextual-Bandit Based Personalized Recommendation with Time-Varying User Interests
链接: https://arxiv.org/pdf/2003.00359
简介: Contextual-Bandit问题是在高度不稳定的环境中提出来的,由于用户随时间变化的兴趣,这种情况在各种推荐系统中普遍存在。该文提出了一种 适用于突然奖励变化的有效学习算法 ,并进行了理论分析。



Recommendation on a Budget: Column Space Recovery from Partially Observed Entries with Random or Active Sampling
链接: https://arxiv.org/pdf/2002.11589
简介: 该文分析了部分观察到的,近似低秩矩阵的列空间恢复的交替最小化问题。在这项工作中,证明了如果预算大于矩阵的秩,则列空间恢复成功。随着列数的增加,交替最小化的估计会收敛到真实列空间,而概率趋向于一。



AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations
链接: https://arxiv.org/pdf/2002.11252
简介: 基于深度学习的推荐系统(DLRS)通常具有嵌入层,可用于降低分类变量(例如用户/项目id)的维数并在低维空间中有意义地对其进行转换。现有的大多数DLRS在经验上都会为所有用户/项目嵌入预先定义一个固定且统一的维度。从最近的研究中可以明显看出,对于不同的用户/项目,根据其受欢迎程度,迫切需要不同的嵌入维度。因此,在本文中提出了一种基于AutoML的端到端框架(AutoEmb),该框架可以 根据流行程度以自动化和动态的方式生成各种嵌入尺寸。


SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback
链接: https://arxiv.org/pdf/2002.09841
简介: 该文是针对隐式反馈推荐展开的研究,对于P airwise 的方法,在实践中并不总是保持独立成对偏好的假设。而且,由于整个列表排列的前提,基于Listwise的方法不能有效地容纳“联系”。该文我们提出了一种用于 协作排名的新颖的Setwise贝叶斯方法 ,即SetRank,以适应推荐系统中隐式反馈的特征。




Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network
链接: https://arxiv.org/pdf/2002.08575
简介: 草药推荐在中药(TCM)的治疗过程中起着至关重要的作用,本文将 多图卷积网络应用于草药推荐问题上 ,取得了很好的推荐效果。



Relation Embedding for Personalised Translation-based POI Recommendation

链接: https://arxiv.org/pdf/2002.03461

简介: 兴趣点(POI)推荐是最重要的基于位置的服务之一,可帮助人们发现有趣的场所或服务。 但是,极具稀疏的用户-POI矩阵和多变的时空上下文对POI推荐提出了挑战, 为此,本文提出了 一种基于翻译嵌入关系的POI推荐



Secure Social Recommendation based on Secret Sharing
链接: https://arxiv.org/pdf/2002.02088
简介: 隐私保护机器学习已经在业界和学术界引起了广泛关注。现有的大多数推荐模型都是基于社会信息可用的假设而建立的。但是,由于某些原因,不同的平台通常不愿意(或不能)共享其数据。在本文中,提出了一个社会化(SeSoRec)框架。


CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles
链接: https://arxiv.org/pdf/2002.12277
简介: 通过分析混合模型中存在的问题,该文提出了一种用于推荐科学文章的 协作式双注意力自动编码器 (CATA ++)。  CATA ++利用文章的内容并通过两个并行的自动编码器学习其潜在空间。




投稿或交流学习,备注: 昵称-学校(公司)-方向 ,进入DL&NLP交流群。
方向有很多: 机器学习、深度学习,python,情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等
新知达人, 【推荐系统】16篇最新推荐系统论文送你
记得备注呦


深度学习冲鸭

一个小小DLer,已经在深度学习道路上走过了不少时间,写过简书、CSDN,打过各种深度学习比赛,写过很多paper解读文章。公众号后台回复: 知识图谱、python、DL、ML、NLP、C++、TensorFlow、QL、pytorch4NLP、PRML ,可以获得对应的资源。
如果有帮助,还请点个“在看”
新知达人, 【推荐系统】16篇最新推荐系统论文送你

新知精选

更多新知精选