** 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
相關內容
主題： Deep Learning on Knowledge Graph for Recommender System: A Survey
摘要： 最近的研究表明，知識圖譜（KG）在提供有價值的外部知識以改進推薦系統（RS）方面是有效的。知識圖譜能夠編碼連接兩個對象和一個或多個相關屬性的高階關系。借助于新興的GNN，可以從KG中提取對象特征和關系，這是成功推薦的一個重要因素。本文對基于GNN的知識感知深度推薦系統進行了綜述。具體來說，我們討論了最新的框架，重點是它們的核心組件，即圖嵌入模塊，以及它們如何解決實際的推薦問題，如可伸縮性、冷啟動等。我們進一步總結了常用的基準數據集、評估指標以及開源代碼。最后，我們對調查結果進行了總結，并提出了這一快速發展領域的潛在研究方向。
付費5元查看完整內容
題目： A Survey on Knowledge Graph-Based Recommender Systems
摘要：
為了解決信息爆炸問題，提高用戶在各種在線應用中的體驗，人們開發了推薦系統來模擬用戶的偏好。盡管人們已經為更個性化的推薦做了很多努力，但是推薦系統仍然面臨著一些挑戰，如數據稀疏和冷啟動。近年來，以知識圖為輔助信息的推薦生成引起了人們的極大興趣。這種方法不僅可以緩解上述問題，使推薦更加準確，而且可以為推薦項目提供解釋。本文對基于知識圖的推薦系統進行了系統的研究。我們收集了最近在這一領域發表的論文，并從兩個角度對其進行了總結。一方面，我們通過研究論文如何利用知識圖進行精確和可解釋的推薦來研究所提出的算法。另一方面，我們介紹了這些工作中使用的數據集。最后，提出了該領域的幾個潛在研究方向。
付費5元查看完整內容
【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：
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
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
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
論文題目： Multi-modal Graph Convolution Network for Personalized Recommendation of Micro-video
論文摘要： 個性化推薦在許多在線內容共享平臺中起著核心作用。為了提供優質的微視頻推薦服務，重要的是考慮用戶與項目（即短視頻）之間的交互以及來自各種模態（例如視覺，聽覺和文本）的項目內容。現有的多媒體推薦作品在很大程度上利用多模態內容來豐富項目表示，而為利用用戶和項目之間的信息交換來增強用戶表示并進一步捕獲用戶對不同模式的細粒度偏好所做的工作卻較少。在本文中，我們建議利用用戶-項目交互來指導每種模式中的表示學習，并進一步個性化微視頻推薦。我們基于圖神經網絡的消息傳遞思想設計了一個多模態圖卷積網絡（MMGCN）框架，該框架可以生成用戶和微視頻的特定模態表示，以更好地捕獲用戶的偏好。具體來說，我們在每個模態中構造一個user-item二部圖，并用其鄰居的拓撲結構和特征豐富每個節點的表示。通過在三個公開可用的數據集Tiktok，Kwai和MovieLens上進行的大量實驗，我們證明了我們提出的模型能夠明顯優于目前最新的多模態推薦方法。
作者簡介：
Tat-Seng Chua，新加坡國立大學計算機學院的KITHCT講座教授。1998年至2000年期間，他是該校的代理和創始院長。蔡博士的主要研究興趣是多媒體信息檢索和社交媒體分析。特別是，他的研究重點是從網絡和社交網絡中提取、檢索和回答文本、視頻和實時媒體的問題。他是新加坡國立大學（NUS）和清華大學（tshuanguaniversity）在中國建立的一個耗資數百萬美元的聯合中心的負責人，該中心旨在開發現場媒體搜索技術。該項目將在北京和新加坡的城市內收集、挖掘、搜索和組織用戶生成的內容。他的小組在2000年初定期參加TREC-QA和TRECVID評估。
Xiangnan He，中國科技大學信息科學技術學院教授，研究興趣包括信息檢索、數據挖掘和多媒體分析；擔任過多個頂級會議（包括SIGIR、WWW、KDD、MM等）的（高級）PC成員，以及TKDE、TOIS、TMM等期刊的定期審稿人。
付費5元查看完整內容
主題：Deep Learning for Graphs: Models and Applications
摘要：圖提供了多種類型的數據的通用表示，而深度學習在表示學習方面顯示了巨大的能力。因此，用圖連接深度學習提供了機會，使各種現實世界問題的通用解決方案成為可能。然而，傳統的深度學習技術對常規網格數據(如圖像和序列)具有破壞性，因此不能直接應用于圖結構數據。因此，將這兩個領域結合起來面臨著巨大的挑戰。在本教程中，我將全面概述圖深度學習的最新進展，包括模型和應用。特別地，我將介紹一些基本概念，回顧最先進算法，并舉例說明各種重要的應用。最后，我將通過討論開放問題和挑戰來總結本教程。
嘉賓簡介：唐繼良（Jiang Tang）自2016年秋季@起擔任密歇根州立大學計算機科學與工程系的助理教授。在此之前，他是Yahoo Research的研究科學家，并于2015年從亞利桑那州立大學獲得博士學位。他的研究興趣包括社交計算，數據挖掘和機器學習及其在教育中的應用。他曾獲得2019年NSF職業獎，2015年KDD最佳論文亞軍和6項最佳論文獎，包括WSDM2018和KDD2016。他是會議組織者（例如KDD，WSDM和SDM）和期刊編輯（例如TKDD）。他的研究成果發表在高排名的期刊和頂級會議論文集上，獲得了數千篇引文（Google學術搜索）和廣泛的媒體報道。
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