論文主要作者來自騰訊QQ看點團隊，團隊在2019-2020期間在相關AI頂會和期刊發表多篇推薦系統領域學術論文，包括會議論文WSDM2019[1]，IJCAI2019[2]，WWW2020[3]和TOIS與TKDE等期刊論文。
摘要：會話時序（session-basedrecommendation）推薦系統在最近幾年引起了學界廣泛的研究興趣。為了捕獲用戶點擊行為的時序依賴關系，現有的深度學習方法在優化時通常借助用兩種常用增強技術：數據提升或者自左向右的自回歸方式。由于這兩種方法目標在于建模用戶行為的時序特性，在構建預測函數時候，往往忽略了目標交互行為的未來信息。然而，我們認為目標交互行為的未來數據（在模型訓練階段是可以獲取到的）往往也包含了重要的用戶喜好信號，從而可以用來提升模型的推薦質量。
然而恰當的結合未來數據用于模型訓練并不簡單，因為這種方式違反了機器學習的基本原理很容易產生信息泄漏問題。為了解決這個問題，我們提出一種編碼器-解碼器推薦框架，命名為基于空缺填充的推薦器GRec，GRec在訓練編碼器和解碼器時采用填空機制。具體來講，編碼器采用部分完整的用戶會話序列（一部分交互反饋被特意摳除）作為輸入，解碼器專門預測這部分被扣除的交互點擊記錄，建立在不完整的編碼器表征上。考慮推薦模型的效率和準確率因素，本項工作我們采用卷積網絡配合稀疏卷積濾波器來展示GRec這一通用框架。通過在真實的推薦數據集上（包括較短的、中等的和較長的會話序列）做大量的實驗，我們展示了GRec顯著地超過了各種最新的時序推薦系統算法。大量的經驗研究證實了未來數據在GRec框架下十分有效。
付費5元查看完整內容
相關內容
隨著網絡新聞的爆炸式增長，個性化的新聞推薦對于網絡新聞平臺幫助用戶發現感興趣的信息變得越來越重要。現有的新聞推薦方法通過從新聞內容和用戶與新聞的直接交互(如點擊)中構建精確的新聞表示和用戶表示來實現個性化，而忽略了用戶與新聞之間的高階關聯。**本文提出了一種新聞推薦方法，通過對用戶和新聞之間的關系進行圖形化建模，增強用戶和新聞之間的表示學習。**在我們的方法中，用戶和新聞都被看作是歷史用戶點擊行為構造的二部圖中的節點。對于新聞表示，首先利用transformer架構構建新聞語義表示。然后通過一個圖注意力網絡將其與圖中相鄰新聞信息相結合。對于用戶表示，我們不僅表示來自其歷史上單擊的新聞的用戶，而且還仔細地將其鄰居用戶的表示合并到圖中。在大型真實數據集上的改進性能驗證了我們所提方法的有效性。
付費5元查看完整內容
題目： Future Data Helps Training: Modelling Future Contexts for Session-based Recommendation
摘要： 基于會話的推薦系統近年來受到了廣泛的關注。為了捕獲順序依賴項，現有的方法要么采用數據擴充技術，要么采用從左到右的自回歸訓練。由于這些方法的目的是對用戶行為的順序性進行建模，因此在構建目標交互的預測模型時忽略了目標交互的未來數據。然而，我們認為在目標交互之后的未來交互(在培訓期間也可用)提供了關于用戶偏好的有價值的信號，可以用來提高推薦質量。
然而，正確地將未來的數據集成到模型訓練中是不容易實現的，因為它違反了機器學習的原則，很容易導致數據泄漏。為此，我們提出了一種新的編碼-解碼器框架——基于間隙填充的推薦器(GRec)，它通過一個間隙填充機制來訓練編碼器和解碼器。具體地說，編碼器采用部分完成的會話序列(其中一些項被目的屏蔽)作為輸入，并且解碼器根據編碼的表示來預測這些屏蔽項。我們使用具有稀疏內核的卷積神經網絡實例化了通用的GRec框架，同時考慮了準確性和效率。我們在兩個涵蓋短期、中期和長期用戶會話的真實數據集上進行了實驗，結果表明GRec顯著優于最先進的順序推薦方法。更多的實證研究驗證了在我們的GRec框架下建模未來環境的高實用性。
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
題目
上下文感知推薦系統的圖卷積機：Graph Convolution Machine for Context-aware Recommender System
關鍵字
圖卷積，編碼器與解碼器，上下文感知，深度學習，推薦系統
簡介
推薦的最新進展表明，可以通過在用戶項目交互圖上執行圖卷積來學習更好的用戶和項目表示形式。但是，這種發現主要限于協作過濾（CF）場景，在該場景中無法使用交互上下文。在這項工作中，我們將圖卷積的優勢擴展到了上下文感知推薦系統（CARS，代表了可以處理各種輔助信息的通用類型的模型）。我們提出了圖卷積機（GCM），它是一個由以下組成的端到端框架：三個組件：編碼器，圖卷積（GC）層和解碼器。編碼器將用戶，項目和上下文投影到嵌入向量中，然后將其傳遞到GC層，以利用上下文感知的圖卷積在用戶項圖中對用戶和項目嵌入進行細化。解碼器通過考慮用戶，項目和上下文嵌入之間的交互，提取經過精煉的嵌入以輸出預測分數。我們對Yelp的三個真實數據集進行了實驗，驗證了GCM的有效性以及對CARS執行圖形卷積的好處。
作者
Jiancan Wu,Xiangnan He,Xiang Wang,Qifan Wang,Weijian Chen,JianxunLian,Xing Xie,Yongdong Zhang來自中國科學技術大學
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191