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

推薦系統在我們的日常生活中變得越來越重要，因為它們在緩解信息過載問題方面發揮著重要作用，尤其是在許多面向用戶的在線服務中。推薦系統旨在通過利用用戶和項目的交互來提高匹配準確性，從而識別一組與用戶的顯式或隱式偏好最匹配的對象（即項目）。隨著過去幾十年深度神經網絡 (DNN) 的快速發展，推薦技術取得了可喜的性能。然而，大多數現有的基于 DNN 的方法在實踐中都存在一些缺陷。更具體地說，他們將推薦過程視為一個靜態過程，并按照固定的貪心策略進行推薦；大多數現有的基于 DNN 的推薦系統都是基于手工制作的超參數和深度神經網絡架構；他們將每個交互視為一個單獨的數據實例，并忽略實例之間的關系。

在本教程中，我們旨在全面調查解決深度推薦系統中上述問題的先進技術的最新進展，包括深度強化學習 (DRL)、自動機器學習 (AutoML) 和圖神經網絡 (GNN) .通過這種方式，我們期望三個領域的研究人員能夠對空間進行深入的理解和準確的洞察，激發更多的想法和討論，推動技術在推薦方面的發展。

• Introduction Slides
• DNN for Rec
• RL for Rec
• GNN for Rec
• AutoML for Rec

推薦系統(RS)在信息搜索方面已經取得了巨大的成功。近年來，為了更好地擬合用戶行為數據，人們進行了大量的推薦模型研究。然而，用戶行為數據是觀察性的，而不是實驗性的。這使得各種偏差廣泛存在于數據中，包括但不限于選擇偏差、位置偏差、暴露偏差。盲目擬合數據而不考慮固有偏差會導致許多嚴重的問題，例如，離線評估和在線指標之間的差異，損害用戶對推薦服務的滿意度和信任等。為了將大量的研究模型轉化為實際的改進，迫切需要探索偏差的影響，并在必要時制定去偏策略。因此，推薦系統中的偏倚問題及其解決方法引起了學術界和業界的高度關注。

在本教程中，我們旨在系統地回顧關于這個主題的現有工作。我們將介紹推薦系統中的七種偏見，以及它們的定義和特點;調研現有的去偏解決方案及其優缺點;并確定一些開放的挑戰和未來的方向。我們希望本教程能激發更多關于這個主題的想法，并促進去偏推薦系統的開發。

//recsys.acm.org/recsys21/tutorials/#content-tab-1-5-tab

摘要

推薦系統是一種緩解信息超載問題的關鍵工具，旨在通過分析觀察到的用戶-商品關系，從數百萬的候選商品中預測出用戶喜歡的商品。針對推薦系統存在的稀疏性和冷啟動問題，利用側信息和知識來挖掘隱藏的(間接的)用戶-物品關系來豐富推薦的觀測信息，近年來被證明是有前景的;而推薦模型在面對高度復雜和大規模的側信息和知識時的可擴展性在很大程度上決定了推薦模型的性能。為了有效地利用復雜和大規模的數據，圖嵌入技術的研究是一個重要的課題。將圖嵌入技術裝備到推薦系統中，可以大大優于傳統的直接基于圖拓撲分析的推薦實現，近年來得到了廣泛的研究。摘要從二部圖、一般圖和知識圖譜的嵌入技術出發，系統地回顧了基于圖嵌入的推薦方法，提出了基于圖嵌入的推薦方法的總體設計思路。此外，將幾種有代表性的基于圖嵌入的推薦模型與最常用的傳統推薦模型進行了仿真比較，結果表明，傳統推薦模型在預測隱式用戶-物品交互方面總體上優于基于圖嵌入的推薦模型。揭示了基于圖嵌入的推薦在這些任務中的相對弱點。為了促進未來的研究，本文提出了基于圖嵌入的推薦與傳統推薦在不同任務中的權衡，以及一些有待解決的問題。

引言

大數據[1,2]是否有利于人們的生活?從表面上看，這個問題似乎很荒謬。例如，交通大數據有助于量化疫情期間潛在的感染人群[3]，科研大數據有助于學術與產業合作[4]，多媒體社交大數據通常為消費者帶來娛樂[5]。但與此同時，大數據的大容量、高速度、高多樣性，也被稱為三大“V”特征[6]，也帶來了問題。信息超載[7,8]就是一個很好的例子，指的是一個人在做決定時可以獲得的過多的大數據，例如，哪些文章與研究人員的重點相關，哪些產品滿足消費者的需求，哪些電影引起觀眾的興趣;從而降低了信息檢索的效率。要平衡大數據的這些優點和缺點，使其利益最大化，需要發展大數據挖掘技術[10]，其中推薦系統[11-13]已經成為緩解信息超載問題的關鍵工具，旨在預測用戶(如研究人員、消費者、以及觀眾)偏愛的項目(例如，文章，產品和電影)從數以百萬計的候選人。除此之外，推薦系統還見證了從初創企業投資者匹配[14]到建筑能效[15]的商業實踐。

開發推薦系統需要克服推薦系統的核心組件推薦模型所遇到的稀疏性問題[16,17]和冷啟動問題[18-21]。推薦模型的基本原理是通過分析觀察到的用戶與物品之間的關系，準確推斷出用戶對物品的偏好，這是良好推薦性能的前提，其中用戶與物品之間的交互(詳見2.1.1節)是主要資源。然而，用戶-物品交互通常是稀疏的，因為用戶交互的物品總數很少，這稱為稀疏性問題。當遇到新用戶時，如果用戶和物品之間還沒有觀察到交互，就會導致冷啟動問題，同樣的情況也適用于新商品。因此，由于稀疏性和冷啟動問題造成的用戶-物品交互不足，削弱了推薦模型對用戶偏好推斷的準確性;因此，為推薦性能辯護。針對稀疏性和冷啟動問題，利用側信息[22,23]和知識24-26作為用戶-物品交互的補充，以發現隱藏的(間接的)用戶-物品關系，豐富觀察到的信息，用于推薦，最近被證明是很有前景的。

關于有效利用旁側信息和知識促進推薦性能的能力，關于基于圖嵌入的推薦(章節2.2.1給出了細節)是否優于傳統的基于圖拓撲分析的推薦(章節2.1.4給出了細節)的討論一直存在爭議。在可擴展性方面[16,27]，由于大數據繼承的側信息和知識的三個“V”特征，在數據高度復雜和大規模的情況下，每秒對數百萬用戶和項目進行推薦。基于圖嵌入的推薦優于傳統推薦，這取決于其不同的原理:在將信息組織成圖表示之后(第2.1.2節給出了細節)，傳統的推薦通過分析圖的拓撲特征來運行，如用戶與常用項目[28]的協同作用或全局拓撲擴散[29,30]。相比之下，基于圖嵌入的推薦是利用節點嵌入向量來實現的，這些節點嵌入向量保存了通過嵌入技術[31]從圖表示中學習到的圖拓撲特征(Secs. 4.1和5.1給出了回顧)。在不同的推薦系統中使用邊信息和知識時，基于圖嵌入的推薦可以直接重用學習到的節點嵌入向量，而不像傳統推薦那樣需要重復分析圖的拓撲特征;這樣就大大提高了推薦模型的可擴展性。此外，嵌入向量的可存儲性使其支持下游需要數據實例特征向量作為輸入的機器學習任務[32]，如分類[33-39]、鏈接預測[40-43]、聚類[44]; 因此，基于圖嵌入的推薦在模型可擴展性方面優于傳統推薦。

然而，關于模型的可解釋性(或可解釋性)[45]:為什么模型會向用戶返回這樣的推薦，基于圖嵌入的推薦大大低于傳統的推薦，因為它普遍采用機器學習方法[46]，幾乎是一個黑盒，其思想是通過輸入-輸出數據擬合，通過數值或解析優化方法[47]發現底層模式，而傳統的推薦可以通過解析用戶-物品節點對的圖拓撲特征直接實現可解釋性。但最近的一些研究認為，通過在推薦45,48 - 50中使用知識，通過神經網絡可解釋性[51]，以及通過因果學習(因果推理)[52-58]來推理和理解用戶的偏好，基于圖嵌入的推薦也可以間接實現可解釋性。此外，基于圖嵌入的推薦與傳統推薦在推薦精度上也存在爭議。盡管基于圖嵌入的推薦通過利用旁側信息和知識，比傳統推薦在推薦精度上有了明顯的提高[59-62]，然而，與傳統推薦相比，它似乎仍然揭示了某些推薦任務在預測隱式用戶-物品交互方面的相對弱點，這在第6節的模擬中得到了證明。Dacrema等人[63]也發現了類似的結果。

目前基于圖嵌入的推薦和傳統推薦缺乏統一的評價標準，這將導致未來對這些爭議的長期討論，涉及準確性、可擴展性、延伸性和可解釋性等方面的擴展視角。以及從數學家到數據科學家的跨學科研究人員的參與。發展基于圖嵌入的推薦和傳統推薦并不矛盾，因為分析傳統推薦背后的圖拓撲特征的方法可以啟發基于圖嵌入的推薦在子圖[64]、motif[65-67]、和鄰域[68-70]促進嵌入可解釋性[39]和推薦性能。同時，基于圖嵌入的推薦開創了會話推薦系統(CRS)[71]和新聞推薦[72]等新的推薦場景，為傳統推薦提供了更廣闊的應用前景。如果把這兩種功能結合起來，可以使推薦系統變得更大，而不是只專注于某一方面。

與傳統推薦綜述的成熟[11-13]不同，基于圖嵌入的推薦綜述[22,25,26,73-78]普遍缺乏系統的結構和深入的描述，為與跨學科研究人員和傳統推薦研究人員的全面溝通進行辯護。為了彌合這一鴻溝，本文對基于圖嵌入的推薦系統和基于傳統方法的推薦系統進行了全面的分析，并提出了基于圖嵌入的推薦系統的總體設計思路; 然后從二部圖、一般圖和知識圖譜的嵌入技術出發，系統地回顧了基于圖嵌入的推薦方法。此外，本文還對基于代表性圖嵌入的推薦模型和常用的傳統推薦模型在不同任務下的優缺點進行了仿真比較。揭示了傳統推薦模型在預測隱式用戶-物品交互方面優于基于圖嵌入的推薦模型。通過對實驗結果的分析，本文對基于圖嵌入的推薦與傳統推薦之間的權衡提出了建設性的建議，并提出了一些有待進一步研究的問題。

本文的其余部分組織如下。第2節涵蓋了主題和問題的基本定義，建立了對推薦系統的全面視角和基于圖嵌入的推薦的通用設計流程。章節3、4、5分別介紹了二部圖、一般圖和知識圖譜的回顧嵌入技術，以及相應的基于圖嵌入的推薦模型的回顧。表3和A2提供了這些模型的概述。第6節展示了基于代表性圖嵌入的推薦模型和最常用的傳統推薦模型在不同任務和數據尺度下的仿真結果，并對結果進行分析，提出建設性的權衡建議和一些開放性問題。最后，第7節提出了基于圖嵌入的推薦的前景，從當前的挑戰到潛在的解決方案。

推薦系統能夠為每個用戶提供個性化的建議，已經成為緩解我們日常生活中信息過載問題不可或缺的工具，尤其是在許多面向用戶的在線服務中。它不僅方便了用戶尋找信息，也讓內容提供者有了更多的盈利潛力。近年來，在深度神經網絡(DNNs)的成功推動下，推薦技術在DNNs范式下取得了良好的性能。然而，現有的基于DNN的方法在實踐中存在一些缺陷。更具體地說，它們將每個交互視為一個單獨的數據實例，并忽略實例之間的關系。同時，他們將推薦過程視為一個靜態過程，采用固定的貪婪策略進行推薦。此外，大多數現有的基于DNN的推薦系統都是基于手工制作的特征、超參數和深度神經網絡架構。此外，大多數現有的深度推薦系統都容易受到對抗性攻擊。

在本教程中，我們旨在全面綜述在深度推薦系統中解決上述問題的先進技術的最新進展，包括圖神經網絡(GNNs)、深度強化學習(DRL)和自動機器學習(AutoML)。同時，我們將為推薦系統引入對抗性攻擊。通過這種方式，我們希望來自三個領域的研究人員對空間有一個深入的理解和準確的洞察，激發更多的想法和討論，并在推薦中推廣技術。

//lovvge.github.io/Forecasting-Tutorial-IJCAI-2021/

目錄:

Introduction 導論 Fundamentals of Deep Recommender Systems 深度推薦系統基礎 Reinforcement Learning for Recommender Systems 強化學習推薦系統 Graph Neural Networks for Recommendations 圖神經網絡推薦 Automated Machine Learning (AutoML) for Recommendations 自動機器學習推薦 Adversarial Attacks for Recommender Systems 推薦系統對抗攻擊 Deep Recommendations: Future Directions (Trustworthy RecSys) 深度推薦未來

推薦系統在我們的日常生活中發揮著越來越重要的作用，特別是在許多以用戶為導向的在線服務中，推薦系統在緩解信息過載問題方面發揮著重要作用。推薦系統的目標是通過利用用戶和物品的交互來提高匹配的準確性，識別出一組最符合用戶顯性或隱性偏好的對象(即物品)。

隨著深度神經網絡(DNNs)在過去幾十年的快速發展，推薦技術已經取得了良好的性能。然而，現有的基于DNN的方法在實踐中存在一些缺陷。更具體地說，他們認為推薦過程是一個靜態的過程，并按照一個固定的貪心策略進行推薦; 現有的大多數基于DNN的推薦系統都是基于手工制作的超參數和深度神經網絡架構;它們將每個交互視為單獨的數據實例，而忽略了實例之間的關系。

在本教程中，我們將全面介紹深度推薦系統中解決上述問題的先進技術的最新進展，包括深度強化學習(DRL)、自動機器學習(AutoML)和圖神經網絡(GNN)。

通過這種方式，我們希望這三個領域的研究人員能夠對空間有更深刻的理解和準確的洞察，激發更多的想法和討論，促進推薦技術的發展。

//deeprs-tutorial.github.io/

2021年第14屆國際網絡搜索與數據挖掘會議WSDM將在2021年3月8日到12日于線上舉行。今年此次會議共收到了603份有效投稿，最終錄取篇數為112篇，錄取率為18.6%。在WSDM上，有關于《偏見感知推薦系統的進展》教程值得關注！

排名和推薦系統在當今的網絡平臺上扮演著關鍵角色，肯定會影響到大量用戶的信息搜索行為。然而，這些系統是根據經常傳遞不平衡和不平等的數據進行訓練的，這些模式可能在系統提供給最終用戶的結果中被捕捉和強調，從而產生偏見，提供不公平的結果。鑒于偏見信息尋求成為一個威脅,

(1) 研究跨學科概念和問題空間,

(2) 制定和設計一個bias-aware算法管道,和

(3)和減輕落地的偏見的影響,同時保留底層系統的有效性,正在迅速成為熱門的研究熱點。

本教程是圍繞這個主題組織的，向WSDM社區介紹了在評估和緩解推薦系統中的數據和算法偏差方面的最新進展。我們將首先介紹概念基礎，通過調研當前的技術狀態和描述真實世界的例子，從幾個角度(例如，倫理和系統的目標)偏見如何影響推薦算法。

本教程將繼續系統地介紹算法解決方案，以便在推薦設計過程中發現、評估和減少偏見。然后，一個實用的部分將向與會者提供處理前、處理中和處理后消除偏見算法的具體實現，利用開源工具和公共數據集。在本部分中，教程參與者將參與偏倚對策的設計，并闡明對利益相關者的影響。最后，我們將分析這個充滿活力和迅速發展的研究領域中出現的開放問題和未來的方向，從而結束本教程。

//biasinrecsys.github.io/wsdm2021/

【導讀】新加坡國立大學的Xiang Wang、Tat-Seng Chua，以及來自中國科學技術大學的Xiangnan He在WSDM 2020會議上通過教程《Learning and Reasoning on Graph for Recommendation》介紹了基于圖學習和推理的推薦系統，涵蓋了基于隨機游走的推薦系統、基于網絡嵌入的推薦系統，基于圖神經網絡的推薦系統等內容。

Tutorial摘要：

推薦方法構建預測模型來估計用戶-項目交互的可能性。之前的模型在很大程度上遵循了一種通用的監督學習范式——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，這些方法忽略了數據實例之間的關系，這可能導致性能不佳，特別是在稀疏場景中。此外，建立在單獨數據實例上的模型很難展示推薦背后的原因，這使得推薦過程難以理解。

在本教程中，我們將從圖學習的角度重新討論推薦問題。用于推薦的公共數據源可以組織成圖，例如用戶-項目交互(二部圖)、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，為開發高階連接帶來了好處，這些連接為協作過濾、基于內容的過濾、社會影響建模和知識感知推理編碼有意義的模式。隨著最近圖形神經網絡(GNNs)的成功，基于圖形的模型顯示了成為下一代推薦系統技術的潛力。本教程對基于圖的推薦學習方法進行了回顧，重點介紹了GNNs的最新發展和先進的推薦知識。通過在教程中介紹這一新興而有前景的領域，我們希望觀眾能夠對空間有更深刻的理解和準確的洞察，激發更多的想法和討論，促進技術的發展。

Tutorial大綱：