盘点 | AAAI2020中的四篇推荐系统好文

AAAI中推荐系统的文章并不多，目之所及处仅有四篇。内容上覆盖了评论推荐、多目标推荐以及图神经网络等话题。

本文基于AAAI中的这四篇推荐系统论文，展开瞅一瞅它们都讲了些什么。

第一篇文章：可解释评论的推荐中的非对称层次网络与专注的交互

Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation

论文链接: https://arxiv.org/pdf/2001.04346.pdf

关键词：Hierarchical ; Review

基于用户评论的推荐确实是一个非常值得研究的主题。大多数推荐系统都是为了挖掘用户显式行为背后的隐式反馈，试图去Get到用户的意图。与这样的动机相比，评论是用户主动给出的意图，相比之下更加准确。现有的方法通常将给定用户或物品的所有评论合并到一个长文档中，然后以相同方式处理用户和物品文档。

但是，实际上，这两组评论是截然不同的。用户的评论反映了他们购买的各种商品，因此其主题非常不同，而一项商品的评论仅与该单个商品相关，因此在局部上是同质的。看上去怎么像绕口令似的，那么我简单地翻译一下：

我买了一条新的裙子并且对这条裙子给出了评论，我这个评论是只针对我这次买的这条裙子的。你如果拿我这条评论去预测我对其他裙子的偏好，这就有问题了。

在这项工作中，我们开发了一种新颖的神经网络模型，该模型通过非对称的注意力模块正确地解决了这一重要差异。形式上分为两个模块：

用户模块学习仅关注与目标物品相关的那些信号
物品模块学习有关物品属性的最显著内容

文章中所提出的多层次的范式解释了这样一个事实，就是说并非所有的评论都是同样有用的，也不是每个评论中的所有句子都一样中肯。

本文的贡献是极大的：在这项工作中强调了评论推荐中的不对称的注意力问题。为了解决这个问题，提出了一种灵活的神经结构，即AHN，其特点是它的非对称注意模块来区分用户嵌入和物品嵌入与评论的学习，以及它的层次范式来提取细粒度的句子和评论信号。

识别了不对称注意力问题，并提出基于评论的推荐。
提出了AHN，一种新的深度学习架构，它不仅捕获了评论数据的不对称和层次特征，同时还支持结果的可解释性。

换言之，这是一个能够”具体评论具体分析“的新颖方法，值得一看~

第二篇文章：会话推荐系统的贝叶斯方法

A Bayesian Approach to Conversational Recommendation Systems

论文链接: https://arxiv.org/pdf/2002.05063.pdf

关键词：Bayesian; Conversational RS

本文提出了一个基于贝叶斯方法的会话推荐系统。在与用户进行任何交互之后，将更新物品上的概率质量函数，信息理论标准将优化交互的形状，并确定何时应终止会话并因此推荐最可能的项目。

作者从基本结构判断中得出用于建模交互的参数的先验概率的专用启发技术。这样的先验信息可以与历史数据结合，以区分具有不同推荐历史的物品。

在纯贝叶斯方法的基础上，作者提出了一种新的自动推荐方法。该方法假设系统和用户之间存在动态交互，从而提供自定义和自适应的推荐。本文所介绍的框架为未来的发展奠定了基础，其中问题的动态生成是为了改善系统的会话性质。这可以基于一个自然语言生成系统，与物品属性的结构化概率描述和用户需求的激发交互。

第三篇文章：多目标推荐系统的多梯度下降

Multi-Gradient Descent for Multi-Objective Recommender Systems

论文链接: https://arxiv.org/pdf/2001.00846.pdf

关键词：Multi-Gradient Descent; Multi-Objective RS

推荐系统需要反映应用它们的环境的复杂性。我们对可能有益于用户的知识越了解，推荐系统的目标就越多。此外，除了法律和道德约束外，可能还有多个利益相关者-卖方，买方，股东。迄今为止，为具有相关或不具有相同规模的多个目标同时进行优化是非常困难的。

推荐系统的复杂应用场景，使我们又需要多目标模型，但是又很难做好。哎呀，成人的世界就是这么的复杂。

作者为推荐系统（MGDRec）引入了随机的多梯度下降方法来解决此问题。不仅如此，而且通过梯度归一化，将具有不同规模的根本不同的目标组合到一个一致的框架中。文中表明，不相关的目标（如优质产品的比例）可以提高准确性。通过使用随机性，避免了计算完整梯度的陷阱，并为其适用性提供了明确的条件。

该文章的主要思想如下：

本文利用多梯度下降法，结合不同的目标，找到一组多目标推荐问题的解决方案。
本文将梯度归一化的新思想引入到多梯度推荐中。这允许我们通过使用子梯度来放松单个目标的可微性条件，将根本不同的目标组合到同一个目标函数中。这种灵活性允许我们处理来自多个涉众的目标。

第四篇文章：记忆增强图神经网络的序列化推荐

Memory Augmented Graph Neural Networks for Sequential Recommendation

论文链接: https://arxiv.org/pdf/1912.11730.pdf

关键词：GNN; Sequential RS

用户与物品的交互的时间顺序可以揭示许多推荐系统中时间演变和顺序的用户行为。用户将与之交互的项目可能取决于过去访问的项目。但是，用户和项目的大量增加使得顺序推荐系统仍然面临着不小的挑战：

1. 短期用户兴趣建模的难度；
2. 难以吸引长期用户兴趣；
3. 物品共现模式的有效建模。

为了解决这些挑战，提出了一种内存增强图神经网络（MA-GNN），以捕获长期和短期的用户兴趣。

具体来说，作者应用图神经网络在短期内为物品上下文信息建模，并利用共享内存网络捕获物品之间的长期依赖关系。除了对用户兴趣进行建模外，还采用了双线性函数来捕获相关项目的共现模式。结果证明了我们的模型对Top-K序列化推荐任务的有效性。

本文的主要观点概括如下：

为了对用户的短期和长期兴趣进行建模，提出了一种记忆增强的图神经网络来捕捉物品的短期上下文信息和长期依赖关系。
为了有效地融合短期和长期兴趣，作者在GNN框架中加入了一个闸门机制，以自适应地结合这两种隐藏的表示。
为了显式地建模物品共现模式，使用了双线性函数来捕捉物品之间的特征相关性。

MA-GNN的模型架构

ECAI，全称为 European Conference on Artificial Intelligence，是欧洲主要的人工智能会议:

ECAI2020，第 24 届欧洲人工智能大会，此次会议共收到了 1443 篇有效论文，其中 1363 篇完整论文和 80 篇短论文，最终接收了 365 篇完整论文和 36 篇短文，接受率为 26.8％:

Joint Modeling of Local and Global Behavior Dynamics for Session-based Recommendation.

一篇建模用户全局与局部行为动态性的基于会话的推荐系统。

Directional Adversarial Training for Recommender Systems.

这篇论文中，设计了一种对抗训练（DAT）策略，即在适当的限制下，用户和物品的嵌入向量都朝着其相似的邻居方向变化，通过将这种协同过滤信号作为扰动注入推荐系统模型的训练过程中的，使得模型的泛化效果得到了较大提升。

Shallow Neural Models for Top-N Recommendation.

这篇论文是我比较感兴趣的，因为目前的推荐模型非深即宽，加深结构可以增加泛化能力，加宽结构可以提取交叉特征。因此大部分研究都是基于此展开的，要么加深网络，要么加宽网络。所以看到该论文题目，用于 TopN 推荐的浅神经网络，比较好奇是如何利用这样的浅层结构来打败复杂模型产生 SOTA 性能的，期待一读。

国际顶级学术会议WWW2020定在2020年4月20-24日于中国台湾举办。受COVID-19疫情影响(疫情赶紧过去吧)，大会将在线上举行。

本次会议共收到了1129篇论文投稿，录用217篇，录取率仅为19.2%。其中关于推荐系统的论文大约38篇，推荐系统占比17.5%，可见推荐系统的研究受到学术界的广泛关注。另外，值得注意的是，接收的推荐系统论文中大部分都是与工业界合作的产物，因此不管是学术界还是工业界，推荐系统都是研究的热点与重点。

针对这38篇论文，我们进行了梳理分类，如下表所示:

可见，推荐系统应用的文章以及序列化推荐的文章占比较大；随后是提升推荐效率、社会化推荐、常规推荐以及利用强化学习推荐；其次是兴趣点推荐、冷启动问题研究、推荐系统中的安全性、推荐公平性以及可解释推荐的文章；最后是各有一篇跨域推荐、利用知识图推荐、对话推荐系统以及用于点击率预估的推荐。

Practical RS:

Graph Enhanced Representation Learning for News Recommendation
Weakly Supervised Attention for Hashtag Recommendation using Graph Data
Personalized Employee Training Course Recommendation with Career Development Awareness
Understanding User Behavior For Document Recommendation
Recommending Themes for Ad Creative Design via Visual-Linguistic Representations
paper2repo: GitHub Repository Recommendation for Academic Papers

Sequential RS:

Adaptive Hierarchical Translation-based Sequential Recommendation
Attentive Sequential Model of Latent Intent for Next Item Recommendation
Déjà vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation
Intention Modeling from Ordered and Unordered Facets for Sequential Recommendation
Future Data Helps Training: Modeling Future Contexts for Session-based Recommendation
Keywords Generation Improves E-Commerce Session-based Recommendation

Effcient RS:

Learning to Hash with Graph Neural Networks for Recommender Systems
LightRec: a Memory and Search-Efficient Recommender System
A Generalized and Fast-converging Non-negative Latent Factor Model for Predicting User Preferences in Recommender Systems
Efficient Non-Sampling Factorization Machines for Optimal Context-Aware Recommendation

Social RS:

Efficient Non-Sampling Factorization Machines for Optimal Context-Aware Recommendation
The Structure of Social Influence in Recommender Networks
Few-Shot Learning for New User Recommendation in Location-based Social Networks

Explainability for RS:

Directional and Explainable Serendipity Recommendation
Dual Learning for Explainable Recommendation: Towards Unifying User Preference Prediction and Review Generation

POI RS:

Next Point-of-Interest Recommendation on Resource-Constrained Mobile Devices
A Category-Aware Deep Model for Successive POI Recommendation on Sparse Check-in Data

General RS:

Efficient Neural Interaction Function Search for Collaborative Filtering
Learning the Structure of Auto-Encoding Recommenders
Deep Global and Local Generative Model for Recommendation

Fairness in RS:

Hierarchical Visual-aware Minimax Ranking Based on Co-purchase Data for Personalized Recommendation
FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms

RL for RS:

Off-policy Learning in Two-stage Recommender Systems
Hierarchical Adaptive Contextual Bandits for Resource Constraint based Recommendation

Cross-domain RS:

Exploiting Aesthetic Preference in Deep Cross Networks for Cross-domain Recommendation

Knowledge Graph RS:

Reinforced Negative Sampling over Knowledge Graph for Recommendation

Conversational RS:

Latent Linear Critiquing for Conversational Recommender Systems

CTR for RS:

Adversarial Multimodal Representation Learning for Click-Through Rate Prediction

首先，我们来说一说今年的IJCAI。好像一直在被吐槽，从一开始的灭霸操作5147 篇文章直接Summary Reject掉2191篇文章（拒稿率42%）

Sequential RS

Adversarial Oracular Seq2seq Learning for Sequential RecommendationPengyu Zhao, Tianxiao Shui, Yuanxing Zhang, Kecheng Xiao, Kaigui Bian
Collaborative Self-Attention Network for Session-based RecommendationAnjing Luo, Pengpeng Zhao, Yanchi Liu, Fuzhen Zhuang, Deqing Wang, Jiajie Xu, Junhua Fang, Victor S. Sheng
Memory Augmented Neural Model for Incremental Session-based RecommendationFei Mi, Boi Faltings

Cross-Domain RS

A Graphical and Attentional Framework for Dual-Target Cross-Domain RecommendationFeng Zhu, Yan Wang, Chaochao Chen, Guanfeng Liu, Xiaolin Zheng
Learning Personalized Itemset Mapping for Cross-Domain RecommendationYinan Zhang, Yong Liu, Peng Han, Chunyan Miao, Lizhen Cui, Baoli Li, Haihong Tang

POI RS

Contextualized Point-of-Interest RecommendationPeng Han, Zhongxiao Li, Yong Liu, Peilin Zhao, Jing Li, Hao Wang, Shuo Shang
Discovering Subsequence Patterns for Next POI RecommendationKangzhi Zhao, Yong Zhang, Hongzhi Yin, Jin Wang, Kai Zheng, Xiaofang Zhou, Chunxiao Xing
An Interactive Multi-Task Learning Framework for Next POI Recommendation with Uncertain Check-insLu Zhang, Zhu Sun, Jie Zhang, Yu Lei, Chen Li, Ziqing Wu, Horst Kloeden, Felix Klanner

Explainable RS

Explainable Recommendation via Interpretable Feature Mapping and Evaluation of ExplainabilityDeng Pan, Xiangrui Li, Xin Li, Dongxiao Zhu
Synthesizing Aspect-Driven Recommendation Explanations from ReviewsTrung-Hoang Le, Hady W. Lauw
Towards Explainable Conversational RecommendationZhongxia Chen, Xiting Wang, Xing Xie, Mehul Parsana, Akshay Soni, Xiang Ao, Enhong Chen

News RS

User Modeling with Click Preference and Reading Satisfaction for News RecommendationChuhan Wu, Fangzhao Wu, Tao Qi, Yongfeng Huang
HyperNews: Simultaneous News Recommendation and Active-Time Prediction via a Double-Task Deep Neural NetworkRui Liu, Huilin Peng, Yong Chen, Dell Zhang

Cold-Start in RS

Internal and Contextual Attention Network for Cold-start Multi-channel Matching in RecommendationRuobing Xie, Zhijie Qiu, Jun Rao, Yi Liu, Bo Zhang, Leyu Lin

General RS

Deep Feedback Network for RecommendationRuobing Xie, Cheng Ling, Yalong Wang, Rui Wang, Feng Xia, Leyu Lin
Intent Preference Decoupling for User Representation on Online Recommender SystemZhaoyang Liu, Haokun Chen, Fei Sun, Xu Xie, Jinyang Gao, Bolin Ding, Yanyan Shen
Neural Tensor Model for Learning Multi-Aspect Factors in Recommender SystemsHuiyuan Chen, Jing Li

第43届国际信息检索研究和发展大会（SIGIR）将于2020年7月25-30日在美丽的中国西安举行。此次大会共收到了555篇长文投稿，录用147篇，长文录取率26.4%；共收到了507篇短文投稿，录用153篇，短文录取率30%。

正因为推荐与搜索是解决信息过载的两种有效途径，因此虽然是关于检索的会议，但通过下图可以看出推荐（Recommendation）占据了很大比例，与搜索（Search+Retrieval）不相上下。另外，图与网络（Graph/Network）数据成为研究的主要对象，毕竟许多待研究的对象都可以表示为图。值得注意的是，神经网络（Neural）仍然排在前列；融合知识（Knowledge）的搜索/推荐系统也被许多研究者研究。除此之外，强化学习也出现在了排行榜中，可见利用强化学习的思想来迭代优化搜索/推荐逐渐成为流行。

另外，还注意到今年SIGIR开办了一场关于对话推荐/检索的Tutorial，感兴趣的小伙伴可以多多关注。想提前了解对话推荐（Conversational RS，CRS）的朋友，可以公众号后台回复【CRS】获取对话推荐系统最新综述。

前言

第58届国际计算语言学协会年会（ACL，The Association for Computational Linguistics）将于2020年7月6号-8号线上举行。官网公布了ACL2020的论文收录名单，共计收录778篇论文，本次ACL大会共提交了3429篇论文，长文录取率为25%。作为自然语言处理（NLP）领域的顶会，其中有一些涉及NLP技术的推荐系统论文也会投稿于此。

第37届机器学习国际会议（ICML，International Conference on Machine Learning）将于2020年7月12日至18日线上举行。官网公布了ICML2020的论文收录名单，共计收录1088篇论文，本次ICML大会共提交了4990篇论文，录取率为21.8%。

RecSys2020推荐系统论文集锦

第14届推荐人自己的年会RecSys已在9月22日到26日在线上举行。大会围绕着推荐系统相关问题进行了3场KeyNotes，5场Tutorials，接收了41篇长文，26篇短文。

通过对主题演讲以及教程的总结发现，此次大会主要聚焦在了推荐系统中的Bias问题以及对话推荐系统、对抗机器学习在推荐中的应用等。

主题演讲为以下3个：

4 Reasons Why Social Media Make Us Vulnerable to Manipulation.

by Filippo Menczer.
Bias in Search and Recommender Systems.

by Ricardo Baeza-Yates.
"You Really Get Me": Conversational AI Agents That Can Truly Understand and Help Users.

by Michelle Zhou.

大会教程为以下6个：

Adversarial Learning for Recommendation: Applications for Security and Generative Tasks - Concept to Code.

by Vito Walter Anelli et al.
Bayesian Value Based Recommendation: A modelling based alternative to proxy and counterfactual policy based recommendation.

by David Rohde et al.
Counteracting Bias and Increasing Fairness in Search and Recommender Systems.

by Ruoyuan Gao et al.
Introduction to Bandits in Recommender Systems.

by Andrea Barraza-Urbina et al.
Tutorial on Conversational Recommendation Systems.

by Zuohui Fu et al.
Tutorial: Feature Engineering for Recommender Systems.

by Benedikt Schifferer et al.

另外，大会揭晓了今年的最佳论文奖、最佳论文提名奖、最佳短文奖。具体标题及单位如下：

Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations
by H. Tang, J. Liu, M. Zhao, X. Gong (Best Long Paper)
Exploiting Performance Estimates for Augmenting Recommendation Ensembles
by G. Penha, R. L. T. Santos (Best Long Paper Runner-up)
ADER: Adaptively Distilled Exemplar Replay Towards Continual Learning for Session-based Recommendation
by F. Mi, X. Lin, B. Faltings (Best Short Paper)

最后，小编为大家收集整理了部分相关主题的论文。其中对论文的总结发现，除了以下列出的大类外，还有一些非常有意思的工作，比如对可复现性和公平对比的思考、多智能体强化学习与推荐系统的结合、对矩阵分解和神经协同过滤方法的思考等等。

一. 序列推荐

From the lab to production: A case study of session-based recommendations in the home-improvement domain.
ADER: Adaptively Distilled Exemplar Replay Towards Continual Learning for Session-based Recommendation.
Exploring Longitudinal Effects of Session-based Recommendations.
Long-tail Session-based Recommendation.
Context-aware Graph Embedding for Session-based News Recommendation.
Investigating the Impact of Audio States & Transitions for Track Sequencing in Music Streaming Sessions.

二. 可解释性推荐

Explainable Recommendation for Repeat Consumption.
Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering.
Providing Explainable Race-Time Predictions and Training Plan Recommendations to Marathon Runners.

三. 无偏的和公平的推荐

Bias in Search and Recommender Systems
Debiasing Item-to-Item Recommendations With Small Annotated Datasets.
Keeping Dataset Biases out of the Simulation: A Debiased Simulator for Reinforcement Learning based Recommender Systems.
Unbiased Ad Click Prediction for Position-aware Advertising Systems.
Unbiased Learning for the Causal Effect of Recommendation.
Unbiased Implicit Recommendation and Propensity Estimation via Combinational Joint Learning.
The Connection Between Popularity Bias, Calibration, and Fairness in Recommendation.
Counteracting Bias and Increasing Fairness in Search and Recommender Systems.
Counteracting Bias and Increasing Fairness in Search and Recommender Systems.
The Connection Between Popularity Bias, Calibration, and Fairness in Recommendation.
Fairness-aware Recommendation with librec-auto.
Ensuring Fairness in Group Recommendations by Rank-Sensitive Balancing of Relevance.

推荐系统----2020会议文章集锦