在碎片化閱讀充斥眼球的時代，越來越少的人會去關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和痛點，時刻緊跟 AI 前沿成果。

本期「本周值得讀」關注的是「推薦系統」領域，我們篩選了 10 篇來自 SIGIR 2020、KDD 2020 等頂會的最新論文，下面就一起來看看讀過這些論文的推薦人的推薦理由與個人評價吧！

本期推薦人：紀厚業，北京郵電大學 DMGroup 在讀博士生，其研究方向包括異質圖分析，圖表示學習（圖神經網絡）和推薦系統。目前已經在 WWW，EMNLP 和 PRICAI 上發表多篇相關論文。

#SIGIR 2020

@紀厚業

本文是武漢大學和阿里巴巴發表于 SIGIR 2020 的工作。在實際的推薦場景下，商品通常可以劃分為不同的領域，例如圖書和電影。雖然它們屬于不同的領域，但是可以較為一致的反映用戶的偏好。

本文對用戶和商品在不同場景下的特點進行了建模并提出一種名為 CATN 的模型。CATN 通過注意力機制學習不同領域之間的協同性。同時，作者還引入了評論信息來進一步強化用戶的表示。最后，在評分預測實驗上，作者提出的 CATN 可以大幅度超越 SOTA 的算法。

* 論文標題：CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network

* 論文鏈接：http://www.paperweekly.site/papers/3748

*?源碼鏈接：https://github.com/AkiraZC/CATN

#KDD 2020

@紀厚業

本文是阿里巴巴發表于 KDD 2020 的工作。工業場景下通常存在多種不同的形式輔助信息，這實際上可以認為是多視圖信息。通過充分挖掘多方面的信息，通常可以帶來一些效果的提升。

但是，本文作者 diss 之前的工作沒有深入考慮多視圖學習的兩個基礎性問題：1）如何去除多視圖帶來的冗余信息并且單個向量無法充分描述所有信息；2）各個視圖來自不同的源，其分布的差異也較大。為此，作者提出了一種多視圖對齊的方法來解決上述問題。

具體的說，作者提出了名為 M2GRL 框架來學習多視圖下的節點表示。多任務學習可以較好地融合單個視圖的內部信息和多個視圖的交叉信息。最后，作者通過大量的實驗驗證了 M2GRL 的有效性。

* 論文標題：M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems

* 論文鏈接：http://www.paperweekly.site/papers/3747

*?源碼鏈接：https://github.com/99731/M2GRL

#SIGIR 2020

@紀厚業

本文是阿里和螞蟻金服發表在 SIGIR 2020 上的論文。為了更好地刻畫多種用戶行為并融合知識圖譜進行高效推薦，作者設計了一種 Adaptive Target-Behavior Relational Graph network (ATBRG) 來自適應地抽取結構信息和知識信息。

同時，作者還提出了一種 graph prune technique 來構建特定目標的關系圖。此外，作者聯合了 relation-aware extractor layer 和 representation activation layer 來進行端到端的訓練和學習。最后，作者將算法部署到淘寶 APP 上并取得了 5.1% 的 CTR 提升。

* 論文標題：ATBRG: Adaptive Target-Behavior Relational Graph Network for Effective Recommendation

* 論文鏈接：https://www.paperweekly.site/papers/3811

#SIGIR 2020

@紀厚業

本文是京東發表于 SIGIR 2020 的工作，文章為京東在推薦系統領域的實踐經驗總結，介紹了自 2019 年就部署在京東上的搜索推薦系統框架 DPSR。本文是相關從業人員的很好的參考資料。作者首先介紹了推薦系統的兩個問題：如何召回一些相關性的商品以及如何根據用戶的偏好進行個性化推薦。?

整個模型并不復雜，重要的是作者介紹了其設計經驗其整個業務的流程框架圖。只要把流程打通，進一步的做模型優化也會比較容易。同時，作者還對模型的 CPU 和 GPU 資源消耗進行了介紹。在算法復雜度和資源消耗如何折中也是一個工業落地需要考慮的問題。

* 論文標題：Towards Personalized and Semantic Retrieval: An End-to-End Solution for E-commerce Search via Embedding Learning

* 論文鏈接：https://www.paperweekly.site/papers/3810

#SIGIR 2020

@紀厚業

在實際的推薦系統中，候選商品的生成一個非常大的挑戰。我們需要從海量（十億級）的商品中來選擇幾百個用戶購買意圖較強的商品。這也是工業界中的召回過程。目前，工業界的解決方案主要是通過商品相似性 item2item 來進行商品召回，但是其并沒有考慮單個用戶的偏好及商品的屬性。?

本文針對上述問題，提出了一種 attribute-aware collaborative filtering (A2CF) 方法在保證準確度的前提下實現了可解釋性的推薦。通過對用戶商品屬性進行分析，可以在屬性層面反映他們的偏好。最后，作者在大量數據上驗證了算法的有效性。

* 論文標題：Try This Instead: Personalized and Interpretable Substitute Recommendation

* 論文鏈接：http://www.paperweekly.site/papers/3762

*?源碼鏈接：https://rockytchen@bitbucket.org/rockytchen/a2cf-sigir20.git

#SIGIR 2020

@紀厚業

本文發表在 SIGIR 2020 上。現在很多推薦算法都嘗試引入異質知識，如知識圖譜，來提升推薦系統的效果。但是，這些工作還是沒有很好的考慮多方面的商品特性，進而無法精確的學習商品表示。

針對上述問題，本文提出一種基于圖神經網絡的推薦網絡 multi-view item network (MVIN) 的算法，同時從用戶角度和實體角度來學習多個視角下的商品表示，進而進行商品推薦。?

作者在 3 個真實數據集 MovieLens-1M (ML-1M)，LFM-1b 2015 (LFM-1b) 和 Amazon-Book (AZ-book) 上驗證了算法的有效。近些年，將知識圖譜與推薦系統結合的文章越來越多，引入外部知識很容易能夠從數據層面上來提升整個算法的效果。

* 論文標題：MVIN: Learning Multiview Items for Recommendation

* 論文鏈接：https://www.paperweekly.site/papers/3807

*?源碼鏈接：https://github.com/johnnyjana730/MVIN

#arXiv?2020

@紀厚業

本文來自羅格斯大學和清華大學，這是近期讀到的非常驚艷的一篇推薦論文。以往的推薦算法最常見的策略就是學習用戶和商品的表示，然后利用相似度函數來進行推薦。本文受最近的符號推理啟發，將邏輯推理與表示學習結合起來，利用AND，OR，NOT 來輔助學習節點表示。在多個數據集上大幅度超越現有算法。

神經網絡被詬病的一點就是推理能力不行，本文在推薦上做出了很好的嘗試和驗證，感覺算是挖了值得填的大坑。

* 論文標題：Neural Collaborative Reasoning

* 論文鏈接：http://www.paperweekly.site/papers/3802

#SIGIR 2020

@紀厚業

本文是中國人民大學和阿里巴巴發表于 SIGIR 2020 的工作。現有的時序推薦算法通常基于最大似然進行訓練，并能夠針對用戶偏好來生成或選擇一些商品。但是，之前所有的工作通常只是聯合的進行推薦，無法有效的分析是哪些因素影響了最終的推薦結果。

為此，作者提出了一種 Multi-Factor Generative Adversarial Network (MFGAN) 的算法來顯式地刻畫多種推薦因子。作者借鑒了 GAN 的思想，一個生成器來生成可能的推薦商品，多個判別器來評估不同因子對推薦的影響。最后，作者做了大量的實驗來驗證本文所提出算法的有效性。

* 論文標題：Sequential Recommendation with Self-Attentive Multi-Adversarial Network

* 論文鏈接：http://www.paperweekly.site/papers/3752

#SIGIR 2020

@紀厚業

本文是阿姆斯特丹大學和國防科技大學發表于 SIGIR 2020 的工作。對話和提問式的推薦系統已經成為近些年的研究熱點。本文提出了一種基于提問式的推薦算法，Qrec 能夠交替地自動選擇問題和構建答案。

本文是基于矩陣分解框架，并沒有使用現在非常火的深度學習技術，通過問答結果來交替的更新用戶及商品的表示。同時，可以推斷出用戶想法進而生成一系列問題。大量的實驗結果驗證了本文算法的有效性。本文沒有盲目跟風使用深度學習技術，在現在的推薦系統論文中感覺獨樹一幟。

* 論文標題：Towards Question-based Recommender Systems

* 論文鏈接：http://www.paperweekly.site/papers/3803

#SIGIR 2020

@紀厚業

本文是昆士蘭大學和格里菲斯大學發表于 SIGIR 2020 的工作。近些年，如何更好地構建魯棒的機器學習系統是非常熱門的研究方向，尤其是在很多對抗攻擊算法不斷發展的情況下。在實際工業場景下，推薦系統所能拿到的數據通常會有各種各種的噪音等問題并且可能遭受到攻擊。

本文針對實際數據的質量問題，研究了如何在低質量數據上構建更加穩定的推薦系統。同時，作者希望能夠對一些欺詐也進行檢測。通過上述兩方面的協同努力，作者同時實現了欺詐檢測和高質量的推薦。最后，大量的實驗驗證了本文算法的有效性。

* 論文標題：GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection

* 論文鏈接：http://www.paperweekly.site/papers/3749

更多閱讀

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的近期有哪些值得读的推荐系统论文？来看看这份私人阅读清单的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。