【推荐系统】16篇最新推荐系统论文送你

点击上方&＃xff0c;选择星标或置顶&＃xff0c;每天给你送干货&＃xff01;

阅读大概需要9分钟

跟随小博主&＃xff0c;每天进步一丢丢

转载自&＃xff1a;机器学习与推荐算法

A Survey on Knowledge Graph-Based Recommender Systems

链接&＃xff1a;https://arxiv.org/pdf/2003.00911

简介&＃xff1a;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&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2003.01917

简介&＃xff1a;该文研究了利用图神经网络&＃xff08;GNN&＃xff09;进行高质量检索的哈希问题&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2002.02126

简介&＃xff1a;该文同样是一篇利用图神经网络来进行推荐的文章&＃xff0c;在这项工作中&＃xff0c;旨在简化GCN的设计&＃xff0c;使其更简洁&＃xff0c;更适合于推荐任务。

Generalized Embedding Machines for Recommender Systems

链接&＃xff1a;https://arxiv.org/pdf/2002.06561

简介&＃xff1a;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&＃xff0c;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&＃xff0c;即通用嵌入机&＃xff08;GEM&＃xff09;。

Jointly Learning to Recommend and Advertise

链接&＃xff1a;https://arxiv.org/pdf/2003.00097

简介&＃xff1a;该文提出了一个新颖的两级强化学习框架&＃xff0c;以共同优化推荐和广告策略&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2002.11890

简介&＃xff1a;该文设计了一种混合关联模型&＃xff08;HAM&＃xff09;&＃xff0c;它使用两个因素来生成序列推荐&＃xff1a;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&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2003.01892

简介&＃xff1a;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&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2003.00708

简介&＃xff1a;交互式搜索会话通常包含多个查询&＃xff0c;其中用户得到响应的原始结果后&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2003.00359

简介&＃xff1a;Contextual-Bandit问题是在高度不稳定的环境中提出来的&＃xff0c;由于用户随时间变化的兴趣&＃xff0c;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&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2002.11589

简介&＃xff1a;该文分析了部分观察到的&＃xff0c;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&＃xff0c;证明了如果预算大于矩阵的秩&＃xff0c;则列空间恢复成功。随着列数的增加&＃xff0c;交替最小化的估计会收敛到真实列空间&＃xff0c;而概率趋向于一。 

AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations

链接&＃xff1a;https://arxiv.org/pdf/2002.11252

简介&＃xff1a;基于深度学习的推荐系统&＃xff08;DLRS&＃xff09;通常具有嵌入层&＃xff0c;可用于降低分类变量&＃xff08;例如用户/项目id&＃xff09;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&＃xff0c;对于不同的用户/项目&＃xff0c;根据其受欢迎程度&＃xff0c;迫切需要不同的嵌入维度。因此&＃xff0c;在本文中提出了一种基于AutoML的端到端框架&＃xff08;AutoEmb&＃xff09;&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2002.09841

简介&＃xff1a;该文是针对隐式反馈推荐展开的研究&＃xff0c;对于Pairwise的方法&＃xff0c;在实践中并不总是保持独立成对偏好的假设。而且&＃xff0c;由于整个列表排列的前提&＃xff0c;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&＃xff0c;即SetRank&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2002.08575

简介&＃xff1a;草药推荐在中药&＃xff08;TCM&＃xff09;的治疗过程中起着至关重要的作用&＃xff0c;本文将多图卷积网络应用于草药推荐问题上&＃xff0c;取得了很好的推荐效果。

Relation Embedding for Personalised Translation-based POI Recommendation

链接&＃xff1a;https://arxiv.org/pdf/2002.03461

简介&＃xff1a;兴趣点&＃xff08;POI&＃xff09;推荐是最重要的基于位置的服务之一&＃xff0c;可帮助人们发现有趣的场所或服务。但是&＃xff0c;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&＃xff0c; 为此&＃xff0c;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&＃xff1a;https://arxiv.org/pdf/2002.02088

简介&＃xff1a;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&＃xff0c;由于某些原因&＃xff0c;不同的平台通常不愿意&＃xff08;或不能&＃xff09;共享其数据。在本文中&＃xff0c;提出了一个社会化&＃xff08;SeSoRec&＃xff09;框架。

CATA&＃43;&＃43;: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles

链接&＃xff1a;https://arxiv.org/pdf/2002.12277

简介&＃xff1a;通过分析混合模型中存在的问题&＃xff0c;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&＃xff08;CATA &＃43;&＃43;&＃xff09;。  CATA &＃43;&＃43;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&＃xff0c;备注&＃xff1a;昵称-学校&＃xff08;公司&＃xff09;-方向&＃xff0c;进入DL&NLP交流群。

方向有很多&＃xff1a;机器学习、深度学习&＃xff0c;python&＃xff0c;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。

记得备注呦

深度学习冲鸭

一个小小DLer&＃xff0c;已经在深度学习道路上走过了不少时间&＃xff0c;写过简书、CSDN&＃xff0c;打过各种深度学习比赛&＃xff0c;写过很多paper解读文章。公众号后台回复&＃xff1a;知识图谱、python、DL、ML、NLP、C&＃43;&＃43;、TensorFlow、QL、pytorch4NLP、PRML&＃xff0c;可以获得对应的资源。

如果有帮助&＃xff0c;还请点个“在看”