亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

【導讀】國際萬維網大會（The Web Conference，簡稱WWW會議）是由國際萬維網會議委員會發起主辦的國際頂級學術會議，創辦于1994年，每年舉辦一屆，是CCF-A類會議。WWW 2020將于2020年4月20日至4月24日在中國臺灣臺北舉行。由于疫情影響，會議在線上舉行。本屆會議共收到了1129篇長文投稿，錄用217篇長文，錄用率為19.2%。上周專知小編整理了WWW 2020 推薦系統相關論文-part2，這期小編繼續為大家奉上WWW 2020六篇推薦系統相關論文-part3 供參考——上下文感知推薦、雙邊公平推薦、MetaSelector、視覺主題推薦、社交影響力。 WWW2020RS_Part2、WWW2020RS_Part1

1. Eficient Non-Sampling Factorization Machines for Optimal Context-Aware Recommendation

作者：Chong Chen, Min Zhang, Weizhi Ma, Yiqun Liu, and Shaoping Ma

摘要：為了提供更準確的推薦，在對用戶項目交互進行建模之外考慮上下文特征已成為一個熱門話題。具有負采樣的因子分解機(FM)是一種流行的上下文感知推薦解決方案。然而，由于采樣可能丟失重要信息，并且在實際應用中通常會導致非最優性能，因此該算法的魯棒性不強。最近的一些努力通過使用深度學習框架建模高階特征交互增強了FM的性能。而他們要么只關注評分預測任務，要么通常采用負采樣策略來優化排名效果。由于采樣的巨大的波動，我們有理由認為這些基于采樣的FM方法對于上下文感知推薦仍然不是最佳的。在本文中，我們提出在不進行采樣的情況下學習FM，以有助于上下文感知推薦??的排名任務。盡管這種方法效率很高，但這種非采樣策略對模型的學習效率提出了很大的挑戰。因此，我們進一步設計了一種新的理想框架--有效非采樣樣因子分解機(ENSFM)。ENSFM不僅無縫連接了FM和矩陣分解(MF)之間的關系，而且通過新穎的記憶策略解決了具有挑戰性的效率問題。通過在三個真實的公共數據集上的大量實驗表明：1)我們提出的ENSFM的性能一致且顯著優于現有的上下文感知Top-K推薦方法，2)ENSFM在訓練效率上具有顯著的優勢，使其更適用于實際的大系統。此外，實驗結果表明，對于Top-K推薦任務，合適的學習方法比先進的神經網絡結構更為重要。

網址：

//www.thuir.cn/group/~mzhang/publications/TheWebConf2020-Chenchong.pdf

代碼鏈接：

2. FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms

作者：Gourab K Patro, Arpita Biswas, Niloy Ganguly, Krishna P. Gummadi and Abhijnan Chakraborty

摘要：我們在雙邊在線平臺的背景下調查公平推薦（fair recommendation ）問題，該平臺由一邊的客戶和另一邊的生產商組成。這些平臺推薦服務的傳統方法側重于根據個人客戶的個性化偏好定制結果，以實現客戶滿意度的最大化。然而，我們的調查顯示，這種以客戶為中心的設計可能會導致生產商之間曝光量的不公平分配，這可能會對他們的利益造成不利影響。另一方面，以生產商為中心的設計可能會對客戶不公平。因此，我們考慮了客戶和生產商之間的公平問題。我們的方法將公平推薦問題映射為一個公平分配不可分割商品問題的新穎映射。我們提出的FairRec算法可確保至少為大多數生產商提供Maximin Share（MMS）的曝光量，并為每個客戶提供多達Envy-Free（EF1）的公平性。對多個真實世界數據集的廣泛評估顯示，FairRec在確保雙面公平性的同時，在總體推薦質量方面造成了邊際損失的有效性。

網址：

3. MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection

作者：Mi Luo, Fei Chen, Pengxiang Cheng, Zhenhua Dong, Xiuqiang He, Jiashi Feng and Zhenguo Li

摘要：推薦系統通常面對包含高度個性化用戶歷史數據的異構數據集，在這些數據集中，沒有哪個模型可以為每個用戶提供最佳建議。我們在公共和私有數據集上都觀察到了這種普遍存在的現象，并解決了模型選擇問題，以追求對每個用戶的推薦質量的優化。我們提出了一個元學習框架來促進推薦系統中用戶級的自適應模型選擇。在此框架中，我們將使用來自所有用戶的數據來訓練推薦者集合，然后通過元學習對模型選擇器進行訓練，以使用用戶特定的歷史數據為每個用戶選擇最佳的單個模型。我們在兩個公共數據集和一個真實的生產數據集上進行了廣泛的實驗，證明了我們的框架在AUC和LogLoss方面比單一的模型基線和樣本級模型選擇器都有改進。特別是，當這些改進部署在在線推薦系統中時，可能會帶來巨大的利潤收益。

網址：

4. Recommending Themes for Ad Creative Design via Visual-Linguistic Representations

作者：Yichao Zhou, Shaunak Mishra, Manisha Verma, Narayan Bhamidipati and Wei Wang

摘要：在線廣告行業中經常需要更新廣告創意，即用于吸引在線用戶進入品牌的圖像和文字。進行此類更新，是為了減少在線用戶中廣告疲勞的可能性，并將其他成功的廣告加入到相關產品類別中。對于創意策略師來說，給定一個品牌，為一個新的廣告想出主題是一個費時費力的過程。創意策略師來通常從過去廣告活動中使用的圖像和文字以及有關品牌的知識中汲取靈感。為了在過去的廣告活動中通過此類多模態信息自動推斷廣告主題，我們為廣告創意策略師提出了主題（關鍵詞）推薦系統。主題推薦器基于視覺問答（VQA）任務的聚合結果，該任務提取以下內容：（i）廣告圖像，（ii）與廣告關聯的文字以及廣告中品牌的Wikipedia頁面，（iii）有關廣告的問題。我們利用基于transformer的跨模態編碼器來為VQA任務訓練視覺語言表示。我們沿著分類和排序的思路研究了VQA任務的兩個公式；通過在公共數據集上的實驗，表明跨模態表示顯著地提高了分類準確率和排序精準-召回指標。與單獨的圖像和文本表示相比，跨模式表示顯示出更好的性能。此外，與僅使用文本或視覺信息相比，多模態信息的使用表現出顯著提升。

網址：

5. The Structure of Social Influence in Recommender Networks

作者：Pantelis P. Analytis, Daniel Barkoczi, Philipp Lorenz-Spreen and Stefan M. Herzog

摘要：人們在品味（taste）上影響他人意見的能力各不相同-既包括離線與在線推薦系統。這些驚人差異背后的機制是什么？使用加權k最近鄰算法（k-nn）表示一系列社會學習策略，我們利用網絡科學的方法展示了k-nn算法如何在六個現實世界的品味領域中引發社會影響力網絡。我們給出了三個新的結果，分別適用于離線建議獲取和在線推薦器設置。首先，有影響力的個人具有主流品味，與其他人的品味相似性分散度很高。其次，個人或算法咨詢的人越少(即k越低)，或者對其他更相似的人的意見給予的權重越大，具有實質性影響的人的群體就越小。第三，對部署k-nn算法后產生的影響網絡是分層組織的。我們的結果為通信和網絡科學中的經典實證發現提供了新的線索，有助于提高對線下和在線上的社會影響的理解。

網址：

6. Latent Linear Critiquing for Conversational Recommender Systems

作者：PKai Luo, Scott Sanner, Ga Wu, Hanze Li and Hojin Yang

摘要：批判（Critiquing）是一種用于會話推薦的方法，可根據用戶的偏好反饋迭代地調整建議。在該設置中，迭代地向用戶提供該項目的項目推薦和屬性描述；用戶可以接受該推薦，或者批判項目描述中的屬性以生成新的推薦。之前的批判方法主要基于顯式約束和基于實用程序的方法來修改推薦（評判的項目屬性）。在這篇文章中，我們回顧了基于潛在嵌入和主觀項目描述(即來自用戶評論的關鍵詞)的推薦方法時代的批判方法。主要兩個關鍵的研究問題：(1)如何將關鍵詞批判與用戶偏好嵌入一起嵌入以更新推薦，(2)如何調節多步驟批判性反饋的強度，其中批判性反饋不一定是獨立的，也不一定是同等重要的。為了解決(1)，我們構建了一個現有的最先進的線性嵌入推薦算法，以使基于評論的關鍵詞屬性與用戶偏好嵌入保持一致。為了解決(2)，我們利用嵌入和推薦預測的線性結構來建立一個基于線性規劃(LP)的優化問題，以確定納入批評反饋的最優權重。我們在兩個包含模擬用戶評論的推薦數據集上評估提出的框架。與對批判反饋進行平均的標準方法相比，實驗結果表明，我們的方法減少了找到滿意項目所需的交互次數，并提高了總體成功率。

網址：

深度推薦系統近年來取得了顯著的進步。盡管其具有較高的排名精度，但其運行效率和內存消耗在現實中成為嚴重的瓶頸。為了克服這兩個限制，我們提出了LightRec，這是一個輕量級的推薦系統，具有快速的在線推理和經濟的內存消耗。LightRec的主干是B碼本，每個B碼本由W個潛在向量組成，稱為碼字。在這種結構的頂部，LightRec將有一個項目表示為B碼字的附加組合，這些B碼字是從每個碼本中最佳選擇的。為了從數據中有效地學習代碼本，我們設計了一個端到端學習工作流，其中所提出的技術克服了固有的可微性和多樣性方面的挑戰。此外，為了進一步提高表示質量，我們使用了一些蒸餾策略，這些策略可以更好地保存用戶-項目的相關性分數和相對的排序順序。LightRec通過四個真實世界的數據集進行了廣泛的評估，這產生了兩個經驗發現:1)與最先進的輕量級基線相比，LightRec在召回性能方面取得了超過11%的相對改進;2)與傳統推薦算法相比，在top-k推薦算法中，LightRec的精度下降幅度可以忽略不計，但速度提高了27倍以上。

【導讀】國際萬維網大會（The Web Conference，簡稱WWW會議）是由國際萬維網會議委員會發起主辦的國際頂級學術會議，創辦于1994年，每年舉辦一屆，是CCF-A類會議。WWW 2020將于2020年4月20日至4月24日在中國臺灣臺北舉行。本屆會議共收到了1129篇長文投稿，錄用217篇長文，錄用率為19.2%。上周專知小編提前整理了WWW 2020圖神經網絡(GNN)比較有意思的的論文，這期小編繼續為大家奉上WWW 2020推薦相關論文供參考！ WWW2020GNN

1. Correcting for Selection Bias in Learning-to-rank Systems

作者：Zohreh Ovaisi, Ragib Ahsan, Yifan Zhang, Kathryn Vasilaky and Elena Zheleva

摘要：現代推薦系統收集到的點擊數據是用來訓練學習排名(LTR)系統的觀察數據的重要來源。然而，這些點擊數據會受到許多偏差（bias）的影響，這些偏差可能會導致LTR系統的性能變差。在此類系統中，最近的偏差校正（bias correction）方法主要集中在位置偏差上，即雖然不是用戶查詢最相關的，但排名較高的結果（例如，頂級搜索引擎結果）更可能被點擊。由于所點擊的文檔反映了什么文檔首先向用戶展示，因此大部分方法對校正選擇偏差的關注較少。在本文中，我們提出了新的方法，這些方法可以適應Heckman的兩階段方法，并考慮LTR系統中的選擇偏差和位置偏差。我們的實驗評估表明，與現有的無偏LTR算法相比，我們提出的方法對噪聲的魯棒性更高，并且具有更好的準確性，尤其是在存在中度偏差到無位置偏差的情況下。

網址： //arxiv.org/abs/2001.11358

2. Efficient Neural Interaction Function Search for Collaborative Filtering

作者：Quanming Yao, Xiangning Chen, James T. Kwok, Yong Li and Cho-Jui Hsieh

摘要：在協同過濾(CF)中，交互函數(IFC)扮演著捕獲項目和用戶之間交互的重要角色。最流行的交互函數(IFC)是內積，它已經成功地應用于低階矩陣分解。然而，現實世界應用中的交互可能非常復雜。因此，可以提供更好性能的操作(例如：串聯和級聯)被提出。然而，現有的IFC仍然很難在不同的應用場景中保持一致的良好性能。受AutoML的啟發，本文提出在CF中尋找簡單神經交互函數(SIF)。通過對現有CF方法的研究和推廣，設計了一種具有表現力的SIF搜索空間，并將其表示為結構化的多層感知機。我們提出了一種one-shot搜索算法，可以同時更新體系結構和學習參數。 實驗結果表明，所提出的方法比流行的AutoML方法效率更高，比最新的CF方法可以獲得更好的預測性能，并且可以針對不同的數據集和任務發現不同的IFC。

網址：

3. Influence Function based Data Poisoning Attacks to Top-N Recommender Systems

作者：Minghong Fang, Neil Zhenqiang Gong and Jia Liu

摘要：推薦系統是Web服務中吸引用戶的重要組成部分。流行的推薦系統使用大量眾包用戶-項目交互數據(例如評級得分)對用戶偏好和項目屬性進行建模；然后，將與用戶偏好最匹配的前N個項目推薦給用戶。在這項工作中，我們展示了攻擊者可以通過向虛假用戶注入精心制作的用戶-項目交互數據，對推薦系統發起數據中毒攻擊，從而按照攻擊者的意愿進行推薦。具體地說，攻擊者可以誘導推薦系統向盡可能多的普通用戶推薦目標項目。我們關注已經在行業中得到了廣泛的應用的基于矩陣分解的推薦系統。給定攻擊者可以注入的虛假用戶數量，我們將虛假用戶評分的制定過程描述為一個優化問題。但是，該優化問題是一個非凸整數規劃問題，求解起來很有挑戰性。為了解決這一挑戰，我們開發了幾種技術來近似解決優化問題。例如，我們利用影響函數（influence function）來選擇對推薦有影響力的普通用戶子集，并基于這些有影響力的用戶來解決我們制定的優化問題。實驗結果表明，我們的攻擊是有效的，并且優于現有的方法。

網址：

4. Learning Multi-granular Quantized Embeddings for Large-Vocab Categorical Features in Recommender Systems

作者：Wang-Cheng Kang,Derek Zhiyuan Cheng, Ting Chen, Xinyang Yi, Dong Lin, Lichan Hong and Ed H. Chi

摘要：推薦系統模型通常通過嵌入來表示像用戶、項目和分類特征這類的稀疏特征。標準方法是將每個唯一的特征值映射為嵌入向量。所產生的嵌入表的大小隨著詞匯表的大小線性增長。因此，大詞匯量不可避免地會導致巨大的嵌入表，從而產生兩個嚴重的問題：(I)使服務于資源緊張環境中的模型變得難以處理；（ii）造成過擬合的問題。在本文中，我們致力于學習用于推薦系統（recsys）中大型詞匯稀疏特征的高度簡潔的嵌入。首先，我們證明了新的可微積量化( Differentiable Product Quantization，DPQ)方法可以推廣到Recsys問題。此外，為了更好地處理Recsys中常見的冪律數據分布，我們提出了一種多粒度量化嵌入(MGQE)技術，該技術對不頻繁的項目學習更簡單的嵌入。我們嘗試以簡單的模型規模為提高推薦性能提供一個新的角度。在三個推薦任務和兩個數據集上的大量實驗表明，我們可以用原始模型規模的20%的模型獲得與原模型相當甚至更好的性能。

網址：

5. Beyond Clicks: Modeling Multi-Relational Item Graph for Session-Based Target Behavior Prediction

作者：Wen Wang, Wei Zhang, Shukai Liu, Bo Zhang, Leyu Lin and Hongyuan Zha

摘要：基于會話的目標行為預測旨在預測要與特定行為類型（例如，點擊）進行交互的下一個項目。雖然現有的基于會話的行為預測方法利用強大的表示學習方法來編碼項目在低維空間中的順序相關性，但是它們受到一些限制。首先，它們側重于只利用同一類型的用戶行為進行預測，而忽略了將其他行為數據作為輔助信息的潛力。當目標行為稀疏但很重要(例如，購買或共享物品)時，這一點尤為重要。其次，項目到項目的關系是在一個行為序列中單獨和局部建模的，缺乏一種規定的方法來更有效地全局編碼這些關系。為了克服這些局限性，我們提出了一種新的基于會話的目標行為預測的多關系圖神經網絡模型MGNN-SPred。具體地說，我們基于來自所有會話的所有行為序列(涉及目標行為類型和輔助行為類型)構建多關系項目圖(Multi-Relational Item Graph，MRIG)。在MRIG的基礎上，MGNN-SPred學習全局項目與項目之間的關系，進而獲得用戶偏好。即分別為當前目標行為序列和輔助行為序列。最后，MGNN-SPred利用門控機制自適應地融合用戶表示，以預測與目標行為交互的下一項目。在兩個真實數據集上的廣泛實驗證明了MGNN-SPred與最新的基于會話的預測方法相比的優越性，驗證了利用輔助行為和基于MRIG學習項目到項目關系的優點。

網址：

6. Towards Detection of Subjective Bias using Contextualized Word Embeddings

作者：Tanvi Dadu, Kartikey Pant and Radhika Mamidi

摘要：主觀偏見檢測（Subjective bias detection）對于宣傳檢測、內容推薦、情感分析和偏見消除等應用至關重要。這種偏見是在自然語言中通過煽動性的詞語和短語引入的，使人對事實產生懷疑，并預設事實。在這項工作中，我們在維基中立性語料庫(WNC)上使用基于BERT的模型進行了全面的主觀偏見檢測實驗。數據集為36萬個來自維基百科并刪除了各種偏見的標記實例組成。我們進一步提出了基于BERT的集成，其性能優于BERT_large之類的最新方法5.6 F1 score。

網址：

題目

修正排序系統中的選擇偏差：Correcting for Selection Bias in Learning-to-rank Systems

類型

推薦系統偏差

關鍵字

推薦系統，學習排名，位置偏差，選擇偏差

簡介

現代推薦系統收集的點擊數據是一個重要的觀測數據來源，可用于訓練學習排名（LTR）系統。然而，這些數據受到許多偏差的影響，這些偏差可能導致LTR系統性能不佳。在這種系統中，最新的偏差校正方法主要集中在位置偏差上，即排名較高的結果（例如，上搜索引擎的結果）更容易被點擊，即使它們不是給出用戶查詢的最相關的結果。很少有人注意到對選擇偏差的糾正，這是因為被選中的文檔首先反映了用戶擁有的文檔。在這里，我們提出了一種新的基于赫克曼兩階段方法的新方法，并對LTR系統中的選擇和位置偏差進行了解釋。通過實例評價表明，與現有的無偏LTR算法相比，所提出的方法對噪聲具有更強的魯棒性和更好的精度，尤其是在沒有位置偏差的情況下。

作者

Zohreh Ovaisi，Ragib Ahsan,伊利諾伊大學芝加哥分校。

Yifan Zhang，中山大學

元學習的研究越來越受到學者們的重視，從最初在圖像領域的研究逐漸拓展到其他領域，目前推薦系統領域也出現了相關的研究問題，本文介紹了5篇基于元學習的推薦系統相關論文，包括用戶冷啟動推薦、項目冷啟動推薦等。

1. MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation

本文提出了一種新的推薦系統，解決了基于少量樣本物品來估計用戶偏好的冷啟動問題。為了確定用戶在冷啟動狀態下的偏好，現有的推薦系統，如Netflix，在啟動初向用戶提供物品選擇，我們稱這些物品為候選集。然后根據用戶選擇的物品做出推薦。以往的推薦研究有兩個局限性：(1) 只有少量物品交互行為的用戶推薦效果不佳，(2) 候選集合不足，無法識別用戶偏好。為了克服這兩個限制，我們提出了一種基于元學習的推薦系統MeLU。從元學習中，MeLU可以通過幾個例子快速地應用于新任務，通過幾個消費物品來估計新用戶的偏好。此外，我們提供了一個候選集合選擇策略，以確定自定義偏好估計的區分項目。我們用兩個基準數據集對MeLU進行了驗證，與兩個對比模型相比，該模型的平均絕對誤差至少降低了5.92%。我們還進行了用戶研究實驗來驗證選擇策略的有效性。

2. Meta-Learning for User Cold-Start Recommendation 冷啟動問題是對實際推薦系統的長期挑戰。大多數現有的推薦算法依賴于大量的觀測數據，對于很少交互的推薦場景來說是脆弱的。本文用少樣本學習和元學習來解決這些問題。我們的方法是基于這樣一種見解，即從幾個例子中有一個很好的泛化，依賴于一個通用的模型初始化和一個有效的策略來使這個模型適應新出現的任務。為了實現這一點，我們將場景指定的學習與模型無關的序列元學習結合起來，并將它們統一到一個集成的端到端框架中，即場景指定的序列元學習者（或s^2 Meta）。我們的元學習器通過聚合來自各種預測任務的上下文信息來生成一個通用的初始模型，同時通過利用學習到的知識來有效地適應特定的任務。在各種現實世界數據集上的實驗表明，我們提出的模型可以在在線推薦任務中獲得對冷啟動問題的最好效果。

3. Sequential Scenario-Specific Meta Learner for Online Recommendation

冷啟動問題是對實際推薦系統的長期挑戰。大多數現有的推薦算法依賴于大量的觀測數據，對于很少交互的推薦場景來說是脆弱的。本文用少樣本學習和元學習來解決這些問題。我們的方法是基于這樣一種見解，即從幾個例子中有一個很好的泛化，依賴于一個通用的模型初始化和一個有效的策略來使這個模型適應新出現的任務。為了實現這一點，我們將場景指定的學習與模型無關的序列元學習結合起來，并將它們統一到一個集成的端到端框架中，即場景指定的序列元學習者（或s^2 Meta）。我們的元學習器通過聚合來自各種預測任務的上下文信息來生成一個通用的初始模型，同時通過利用學習到的知識來有效地適應特定的任務。在各種現實世界數據集上的實驗表明，我們提出的模型可以在在線推薦任務中獲得對冷啟動問題的最好效果。

4. A Meta-Learning Perspective on Cold-Start Recommendations for Items 矩陣分解（M F）是最流行的項目（item）推薦技術之一，但目前存在嚴重的冷啟動問題。項目冷啟動問題在一些持續輸出項目的平臺中顯得特別尖銳（比如Tweet推薦）。在本文中，我們提出了一種元學習策略，以解決新項目不斷產生時的項目冷啟動問題。我們提出了兩種深度神經網絡體系結構，實現了我們的元學習策略。第一個體系結構學習線性分類器，其權重由項目歷史決定，而第二個體系結構學習一個神經網絡。我們評估了我們在Tweet推薦的現實問題上的效果，實驗證明了我們提出的算法大大超過了MF基線方法。

5. One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level

推薦算法的有效性通常用評價指標來評估，如均方根誤差、F1或點擊率CTR，在整個數據集上計算。最好的算法通常是基于這些總體度量來選擇的，然而，對于所有用戶、項目和上下文來說并沒有一個單獨的最佳算法。因此，基于總體評價結果選擇單一算法并不是最優的。在本文中，我們提出了一種基于元學習的推薦方法，其目的是為每個用戶-項目對選擇最佳算法。我們使用MovieLens 100K和1m數據集來評估我們的方法。我們的方法（RMSE，100K：0.973；1M：0.908）沒有優于單個的最佳算法SVD++（RMSE，100k：0.942；1M：0.887）。我們還探索了元學習者之間的區別，他們在每個實例（微級別），每個數據子集（中級）和每個數據集（全局級別）上進行操作。評估表明，與使用的總體最佳算法相比，一個假設完美的微級元學習器將提高RMSE 25.5%。

論文題目： Relation-Aware Graph Convolutional Networks for Agent-Initiated Social E-Commerce Recommendation

論文摘要：

近年來，agent-initiated社交電子商務模式取得了巨大的成功，這種模式鼓勵用戶成為銷售代理商，通過他們的社交關系來推廣商品。這種類型的社交電子商務中的復雜交互可以表述為異構信息網絡(HIN)，其中三種節點之間的關系有多種類型，分別為用戶、銷售代理和商品。學習高質量的節點嵌入是研究的重點，圖卷積網絡(GCNs)是近年來發展起來的最先進的表示學習方法。然而，現有的GCN模型在建模異構關系和有效地從大量鄰域中采樣相關接收域方面都存在基本的局限性。為了解決這些問題，我們提出了RecoGCN(a RElation-aware CO-attentive GCN model)來有效地聚合HIN中的異構特征。它彌補了目前GCN在使用關系感知聚合器建模異構關系方面的局限性，并利用語義感知元路徑為每個節點開辟簡潔和相關的接受域。為了有效地融合從不同元路徑中學習到的嵌入，我們進一步提出了一種co-attentive機制，通過關注用戶、銷售代理和商品之間的三種交互來動態地為不同的元路徑分配重要性權重。在真實數據集上的大量實驗表明，RecoGCN能夠學習HIN中有意義的節點嵌入，并且在推薦任務中始終優于baseline方法。

部分作者簡介：

Jianxun Lian是微軟亞洲研究院研究員，研究興趣是推薦系統，用戶建模，深度學習，NLP。

論文摘要： 本文考慮了對未知環境進行有效探索的問題，這是人工智能的一個關鍵挑戰。我們提出了一個“學習探索”框架，可以從各種環境中學習政策。在測試時，由于存在來自相同分布的未知環境，該策略旨在推廣探索策略，以有限的步驟訪問最大數量的唯一狀態。我們特別關注在許多重要的實際應用程序（例如軟件測試和地圖構建）中遇到的具有圖結構狀態空間的環境。我們將此任務表述為強化學習問題，其中“探索”特工因過渡到以前未見過的環境狀態而受到獎勵，并使用圖形結構化的內存來編碼特工的過去軌跡。實驗結果表明，我們的方法對于探索空間圖非常有效；并且當解決領域特定程序和實際移動應用程序的覆蓋率指導的軟件測試所面臨的挑戰性問題時，它的性能要優于人類專家人工設計的方法。

論文目錄：

1. 介紹（Introduction）
2. 問題制定（Problem Formulation）
3. 模型（Model）
4. 實驗（Experiments）
   • 2D迷宮探索（Synthetic 2D Maze Exploration）
   • 生成用于測試域特定程序的輸入（ Generating Inputs for Testing Domain Speci?c Programs ）
   • APP測試（APP Testing）
5. 相關工作（Related work）
6. 結論（Conclusion）