AAAI中推薦系統的文章并不多，目之所及處僅有四篇。內容上覆蓋了評論推薦、多目標推薦以及圖神經網絡等話題。

本文基于AAAI中的這四篇推薦系統論文，展開瞅一瞅它們都講了些什么。

第一篇文章：可解釋評論的推薦中的非對稱層次網絡與專注的交互

Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation

論文鏈接:?https://arxiv.org/pdf/2001.04346.pdf

關鍵詞：Hierarchical ; Review

基于用戶評論的推薦確實是一個非常值得研究的主題。大多數推薦系統都是為了挖掘用戶顯式行為背后的隱式反饋，試圖去Get到用戶的意圖。與這樣的動機相比，評論是用戶主動給出的意圖，相比之下更加準確。現有的方法通常將給定用戶或物品的所有評論合并到一個長文檔中，然后以相同方式處理用戶和物品文檔。

但是，實際上，這兩組評論是截然不同的。用戶的評論反映了他們購買的各種商品，因此其主題非常不同，而一項商品的評論僅與該單個商品相關，因此在局部上是同質的。看上去怎么像繞口令似的，那么我簡單地翻譯一下：

我買了一條新的裙子并且對這條裙子給出了評論，我這個評論是只針對我這次買的這條裙子的。你如果拿我這條評論去預測我對其他裙子的偏好，這就有問題了。

在這項工作中，我們開發了一種新穎的神經網絡模型，該模型通過非對稱的注意力模塊正確地解決了這一重要差異。形式上分為兩個模塊：

• 用戶模塊學習僅關注與目標物品相關的那些信號

• 物品模塊學習有關物品屬性的最顯著內容

文章中所提出的多層次的范式解釋了這樣一個事實，就是說并非所有的評論都是同樣有用的，也不是每個評論中的所有句子都一樣中肯。

本文的貢獻是極大的：在這項工作中強調了評論推薦中的不對稱的注意力問題。為了解決這個問題，提出了一種靈活的神經結構，即AHN，其特點是它的非對稱注意模塊來區分用戶嵌入和物品嵌入與評論的學習，以及它的層次范式來提取細粒度的句子和評論信號。

• 識別了不對稱注意力問題，并提出基于評論的推薦。

• 提出了AHN，一種新的深度學習架構，它不僅捕獲了評論數據的不對稱和層次特征，同時還支持結果的可解釋性。

換言之，這是一個能夠”具體評論具體分析“的新穎方法，值得一看~

---

第二篇文章：會話推薦系統的貝葉斯方法

A Bayesian Approach to Conversational Recommendation Systems

論文鏈接:?https://arxiv.org/pdf/2002.05063.pdf

關鍵詞：Bayesian; Conversational RS

本文提出了一個基于貝葉斯方法的會話推薦系統。在與用戶進行任何交互之后，將更新物品上的概率質量函數，信息理論標準將優化交互的形狀，并確定何時應終止會話并因此推薦最可能的項目。

作者從基本結構判斷中得出用于建模交互的參數的先驗概率的專用啟發技術。這樣的先驗信息可以與歷史數據結合，以區分具有不同推薦歷史的物品。

在純貝葉斯方法的基礎上，作者提出了一種新的自動推薦方法。該方法假設系統和用戶之間存在動態交互，從而提供自定義和自適應的推薦。本文所介紹的框架為未來的發展奠定了基礎，其中問題的動態生成是為了改善系統的會話性質。這可以基于一個自然語言生成系統，與物品屬性的結構化概率描述和用戶需求的激發交互。

---

第三篇文章：多目標推薦系統的多梯度下降

Multi-Gradient Descent for Multi-Objective Recommender Systems

論文鏈接:?https://arxiv.org/pdf/2001.00846.pdf

關鍵詞：Multi-Gradient Descent; Multi-Objective RS

推薦系統需要反映應用它們的環境的復雜性。我們對可能有益于用戶的知識越了解，推薦系統的目標就越多。此外，除了法律和道德約束外，可能還有多個利益相關者-賣方，買方，股東。迄今為止，為具有相關或不具有相同規模的多個目標同時進行優化是非常困難的。

推薦系統的復雜應用場景，使我們又需要多目標模型，但是又很難做好。哎呀，成人的世界就是這么的復雜。

作者為推薦系統（MGDRec）引入了隨機的多梯度下降方法來解決此問題。不僅如此，而且通過梯度歸一化，將具有不同規模的根本不同的目標組合到一個一致的框架中。文中表明，不相關的目標（如優質產品的比例）可以提高準確性。通過使用隨機性，避免了計算完整梯度的陷阱，并為其適用性提供了明確的條件。

該文章的主要思想如下：

• 本文利用多梯度下降法，結合不同的目標，找到一組多目標推薦問題的解決方案。

• 本文將梯度歸一化的新思想引入到多梯度推薦中。這允許我們通過使用子梯度來放松單個目標的可微性條件，將根本不同的目標組合到同一個目標函數中。這種靈活性允許我們處理來自多個涉眾的目標。

---

第四篇文章：記憶增強圖神經網絡的序列化推薦

Memory Augmented Graph Neural Networks for Sequential Recommendation

論文鏈接:?https://arxiv.org/pdf/1912.11730.pdf

關鍵詞：GNN; Sequential RS

用戶與物品的交互的時間順序可以揭示許多推薦系統中時間演變和順序的用戶行為。用戶將與之交互的項目可能取決于過去訪問的項目。但是，用戶和項目的大量增加使得順序推薦系統仍然面臨著不小的挑戰：

• 1. 短期用戶興趣建模的難度；

• 2. 難以吸引長期用戶興趣；

• 3. 物品共現模式的有效建模。

為了解決這些挑戰，提出了一種內存增強圖神經網絡（MA-GNN），以捕獲長期和短期的用戶興趣。

具體來說，作者應用圖神經網絡在短期內為物品上下文信息建模，并利用共享內存網絡捕獲物品之間的長期依賴關系。除了對用戶興趣進行建模外，還采用了雙線性函數來捕獲相關項目的共現模式。結果證明了我們的模型對Top-K序列化推薦任務的有效性。

本文的主要觀點概括如下：

• 為了對用戶的短期和長期興趣進行建模，提出了一種記憶增強的圖神經網絡來捕捉物品的短期上下文信息和長期依賴關系。

• 為了有效地融合短期和長期興趣，作者在GNN框架中加入了一個閘門機制，以自適應地結合這兩種隱藏的表示。

• 為了顯式地建模物品共現模式，使用了雙線性函數來捕捉物品之間的特征相關性。

MA-GNN的模型架構

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯

總結

以上是生活随笔為你收集整理的【论文相关】盘点AAAI2020中的四篇推荐系统好文的全部內容，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。