論文題目： Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation
論文摘要：
最近關于推薦的研究主要集中在探索最先進的神經網絡，以提高模型的表達能力，同時通常采用負抽樣(NS)策略來提高學習效率。盡管有效，現有方法中有兩個重要問題沒有得到充分考慮:1) NS波動劇烈，基于抽樣的方法在實際應用中難以獲得最優的排序性能;2)盡管異構反饋(如查看、單擊和購買)在許多在線系統中廣泛存在，但大多數現有方法僅利用一種主要類型的用戶反饋，如購買。在這項工作中，我們提出了一種新的非抽樣轉移學習解決方案，命名為高效異構協同過濾(EHCF)，用于Top-N推薦。它不僅可以對細粒度的用戶-項目關系進行建模，而且可以從整個異構數據(包括所有未標記的數據)中高效地學習模型參數，并且具有較低的時間復雜度。對三個真實數據集的大量實驗表明，EHCF在傳統(單一行為)和異構場景中都顯著優于最先進的推薦方法。此外，EHCF在培訓效率方面有顯著的改進，使其更適用于真實世界的大型系統。我們的實現已經發布，以促進更有效的基于全數據的神經方法的進一步發展。
論文作者：
張敏博士是清華大學計算機科學與技術系的終身副教授，專門從事網絡搜索和推薦以及用戶建模。她是計算機系智能技術與系統實驗室副主任，清華-MSRA媒體與搜索實驗室執行主任。她還擔任ACM信息系統事務(TOIS)的副編輯，SIGIR 2019教程主席，SIGIR 2018短論文主席，WSDM 2017項目主席等。發表論文100余篇，被引用次3500余次，H指數32分。2016年獲北京市科技獎(一等獎)，2018年獲全國高校計算機科學優秀教師獎等。她還擁有12項專利，并與國內外企業進行了大量的合作。
馬少平是清華大學智能技術與系統國家重點實驗室計算機科學與技術系教授，研究領域為智能信息處理, 信息檢索。主要研究興趣是智能信息處理，主要集中在信息檢索與Web信息挖掘等方面，尤其研究基于網絡用戶行為分析的語義挖掘，以改進搜索引擎的性能。
付費5元查看完整內容
相關內容
題目： Disentangled Graph Collaborative Filtering
簡介： 從交互數據中學習用戶和項目的信息表示對于協同過濾（CF）至關重要。當前的嵌入功能利用用戶-項目關系來豐富表示，從單個用戶-項目實例演變為整體交互圖。然而，他們在很大程度上以統一的方式對關系進行建模，而忽略了用戶采用這些項目的意圖的多樣性，這可能是為了消磨時間，出于興趣或為家庭等其他人購物。這種對用戶興趣進行建模的統一方法很容易導致次優的表示形式，無法對各種關系進行建模，也無法使用戶的意圖分解開來。
在這項工作中，我們會以用戶意圖的更細粒度特別注意用戶與項目之間的關系。因此，我們設計了一個新模型，即解纏圖協同過濾（DGCF），以解開這些因素并產生解開的表示。具體來說，通過對每個用戶項目交互的意圖分布進行建模，我們可以迭代地細化意圖感知交互圖和表示形式。同時，我們鼓勵不同意圖的獨立性。這導致了糾纏的表示，有效地提取了與每個意圖有關的信息。我們在三個基準數據集上進行了廣泛的實驗，并且DGCF在一些最新模型（如NGCF [40]，DisenGCN [25]和MacridVAE [26]）上取得了顯著改進。進一步的分析可以深入了解DGCF在消除用戶意圖和表示可解釋性方面的優勢。
付費5元查看完整內容
正確處理丟失的數據是推薦中的一個基本挑戰。目前的工作大多是對未觀測數據進行負采樣，為推薦模型的訓練提供負信號。然而，現有的負采樣策略，無論是靜態的還是自適應的，都不足以產生高質量的負采樣——既能提供模型訓練的信息，又能反映用戶的真實需求。在這項工作中，我們假設項目知識圖譜(KG)，它提供了豐富的項目和KG實體之間的關系，可以用來推斷信息和事實的陰性樣本。為此，我們提出了一種新的負采樣模型——知識圖譜策略網絡(KGPolicy)，它作為一種強化學習代理來探索高質量的負樣本。具體來說，通過我們設計的探索操作，它從目標的正交互中導航，自適應地接收到知識感知的負信號，最終產生一個潛在的負項來訓練推薦器。我們在一個配備了KGPolicy的矩陣分解(MF)模型上進行了測試，它在最先進的采樣方法(如DNS和IRGAN)和kg增強的推薦模型(如KGAT)上都取得了顯著的改進。進一步從不同的角度進行分析，為知識感知抽樣提供了思路。我們通過這個https URL發布代碼和數據集。
付費5元查看完整內容
** 簡介：**
推薦方法構造了預測模型，以估計用戶與項目交互的可能性。先前的模型在很大程度上遵循一般的監督學習范式-將每個交互視為一個單獨的數據實例，并基于“信息孤島”進行預測。但是，此類方法忽略了數據實例之間的關系，這可能導致性能欠佳，尤其是對于稀疏場景。此外，建立在單獨數據實例上的模型幾乎無法顯示出推薦背后的原因，從而使過程難以理解。
在本教程中，我們將從圖學習的角度重新審視推薦問題。可以將用于推薦的通用數據源組織成圖形，例如用戶-項目交互（二分圖），社交網絡，項目知識圖（異構圖）等。這種基于圖的組織將孤立的數據實例連接起來，從而為利用高階連通性帶來了好處，這些高階連通性對有意義的模式進行了編碼，以進行協作過濾，基于內容的過濾，社會影響力建模和知識感知推理。結合圖神經網絡（GNN）的最新成功，基于圖的模型已展現出成為下一代推薦系統技術的潛力。本教程對基于圖的學??習方法進行了回顧，以提出建議，特別關注GNN的最新發展和知識圖譜增強的建議。通過在本教程中介紹這個新興而有前途的領域，我們希望觀眾可以對空間有深入的了解和準確的見解，激發更多的想法和討論，并促進技術的發展。
目錄：
作者簡介：
王翔是新加坡國立大學（NUS）計算機學院的研究員。 他獲得了博士學位。 他于2019年獲得國大計算機科學博士學位。他的研究興趣包括推薦系統，信息檢索和數據挖掘。 在SIGIR，KDD，WWW和AAAI等頂級會議上，他擁有20多種出版物，包括TOIS和TKDE等期刊。 他曾擔任CCIS 2019的本地主席，包括SIGIR，CIKM和MM在內的頂級會議的PC成員以及TKDE和TOIS等著名期刊的定期審稿人。
付費5元查看完整內容
講座題目
社會用戶興趣挖掘：方法與應用：Social User Interest Mining: Methods and Applications
講座簡介
社交網絡上豐富的用戶生成內容提供了建立模型的機會，這些模型能夠準確有效地提取、挖掘和預測用戶的興趣，希望能夠實現更有效的用戶參與、更好質量地提供適當的服務和更高的用戶滿意度。雖然傳統的建立用戶檔案的方法依賴于基于人工智能的偏好獲取技術，這些技術可能被用戶認為是侵入性的和不受歡迎的，但最近的進展集中在確定用戶興趣和偏好的非侵入性但準確的方法上。在本教程中，我們將介紹與有效挖掘用戶興趣相關的五個重要方面： 1）用于提取用戶興趣的信息源 2）文獻中提出的各類用戶興趣簡介 3）為挖掘用戶利益而采用或提議的技術 4）最新方法的可擴展性和資源需求 5）文獻中采用的評估方法，用于驗證挖掘的用戶興趣概要的適當性。我們還將介紹現有的挑戰、開放的研究問題和激動人心的工作機會。
講座嘉賓
Fattane Zarrinkalam博士是Ryerson大學系統、軟件和語義實驗室（LS3）的博士后研究員，她在那里從事與支持語義的社交網絡分析相關的項目。在博士研究期間，她專注于根據社交網絡（尤其是Twitter）上的個人和集體行為來識別社交媒體用戶的興趣。她在CIKM、ESWC和ECIR等場館發表了自己的作品。此外，她還在包括信息檢索、信息處理和管理在內的頂級期刊上發表期刊論文。此外，在她攻讀博士學位期間，她參與了兩項向美國專利局提出的專利申請。
付費5元查看完整內容
內容摘要： 個性化推薦在當前消費場景中起著至關重要的作用。本教程主要包括兩個部分：基礎和趨勢。在第一部分中，我們將介紹個性化推薦系統的基本問題，包括用戶意圖和需求，挑戰性問題和最新技術。在第二部分中，我們將重點關注相關領域中的新趨勢主題，包括（但不限于）：用戶滿意度和評估方式，可解釋的推薦，基于知識圖譜和推論的推薦，跨域異構推薦以及公平性。最后，我們將討論未來的發展方向。
作者簡介: 張敏博士是清華大學計算機科學與技術系的終身教授，研究方向為Web搜索和推薦以及用戶建模。她是CS部門智能技術與系統實驗室的副主任，清華-MSRA媒體與搜索實驗室的執行主任。她還擔任過ACM TOIS副編輯。她已發表了100多篇論文，引用次數超過3500， H-index得分為32。她在2016年獲得了北京科學技術獎（一等獎），并在2018年獲得了中國大學計算機科學優秀教師獎。她還擁有12項專利。并且她與國際和國內企業進行了很多合作。
付費5元查看完整內容
題目：GNEG:Graph-Based Negative Sampling for word2vec
論文摘要; 負抽樣是分布式詞表示學習的一個重要組成部分。我們假設，考慮全局的語料庫級信息，為每個目標詞生成不同的噪聲分布，比原始的基于頻率的分布更能滿足每個訓練詞的反例要求。為此，我們從語料庫中預先計算單詞的共現統計量，并將其應用于隨機游走等it網絡算法中。我們通過一系列實驗驗證了這一假設，實驗結果表明，我們的方法將單詞類比任務提高了約5%，并將單詞相似性任務的性能提高了約1%。
付費5元查看完整內容
教程題目： Foundations and Trends for Personalized Recommendation
摘要：
個性化推薦在當前的信息消費環境中起著至關重要的作用。本教程主要包括兩個部分:基礎和趨勢。在第一部分中，我們將介紹個性化推薦系統的基本問題，包括用戶意圖和需求、挑戰性問題和最新技術。在第二部分，我們將重點關注相關領域的新趨勢話題，包括(但不限于):用戶滿意度與評價、可解釋推薦、基于知識圖譜和推理的推薦、跨域異構推薦、推薦系統中的公平性問題等。最后，將與與會者討論未來的發展方向。
嘉賓介紹
張敏博士是清華大學計算機科學與技術系的終身副教授，專門從事網絡搜索和推薦以及用戶建模。她是計算機系智能技術與系統實驗室副主任，清華-MSRA媒體與搜索實驗室執行主任。她還擔任ACM信息系統事務(TOIS)的副編輯，SIGIR 2019教程主席，SIGIR 2018短論文主席，WSDM 2017項目主席等。發表論文100余篇，被引用次3500余次，H指數32分。2016年獲北京市科技獎(一等獎)，2018年獲全國高校計算機科學優秀教師獎等。她還擁有12項專利，并與國內外企業進行了大量的合作。
付費5元查看完整內容
Learning vector representations (aka. embeddings) of users and items lies at the core of modern recommender systems. Ranging from early matrix factorization to recently emerged deep learning based methods, existing efforts typically obtain a user's (or an item's) embedding by mapping from pre-existing features that describe the user (or the item), such as ID and attributes. We argue that an inherent drawback of such methods is that, the collaborative signal, which is latent in user-item interactions, is not encoded in the embedding process. As such, the resultant embeddings may not be sufficient to capture the collaborative filtering effect. In this work, we propose to integrate the user-item interactions --- more specifically the bipartite graph structure --- into the embedding process. We develop a new recommendation framework Neural Graph Collaborative Filtering (NGCF), which exploits the user-item graph structure by propagating embeddings on it. This leads to the expressive modeling of high-order connectivity in user-item graph, effectively injecting the collaborative signal into the embedding process in an explicit manner. We conduct extensive experiments on three public benchmarks, demonstrating significant improvements over several state-of-the-art models like HOP-Rec and Collaborative Memory Network. Further analysis verifies the importance of embedding propagation for learning better user and item representations, justifying the rationality and effectiveness of NGCF. Codes are available at //github.com/xiangwang1223/neural_graph_collaborative_filtering.
Recommender System (RS) is a hot area where artificial intelligence (AI) techniques can be effectively applied to improve performance. Since the well-known Netflix Challenge, collaborative filtering (CF) has become the most popular and effective recommendation method. Despite their success in CF, various AI techniques still have to face the data sparsity and cold start problems. Previous works tried to solve these two problems by utilizing auxiliary information, such as social connections among users and meta-data of items. However, they process different types of information separately, leading to information loss. In this work, we propose to utilize Heterogeneous Information Network (HIN), which is a natural and general representation of different types of data, to enhance CF-based recommending methods. HIN-based recommender systems face two problems: how to represent high-level semantics for recommendation and how to fuse the heterogeneous information to recommend. To address these problems, we propose to applying meta-graph to HIN-based RS and solve the information fusion problem with a "matrix factorization (MF) + factorization machine (FM)" framework. For the "MF" part, we obtain user-item similarity matrices from each meta-graph and adopt low-rank matrix approximation to get latent features for both users and items. For the "FM" part, we propose to apply FM with Group lasso (FMG) on the obtained features to simultaneously predict missing ratings and select useful meta-graphs. Experimental results on two large real-world datasets, i.e., Amazon and Yelp, show that our proposed approach is better than that of the state-of-the-art FM and other HIN-based recommending methods.
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191