大家好，蘑菇先生。

WSDM'23已公布录用结果，共收到投稿690篇，录用123篇，录用率为17.8%，完整录用论文：

https://www.wsdm-conference.org/2023/program/accepted-papers

本篇文章主要关注工业界在搜索、推荐、广告、NLP以及图神经网络上的最新研究和落地进展。主要会按照国内外头部大厂分类整理，来盘点每个公司研究和应用的关注点：有哪些应用场景、有哪些核心技术方向和亮点等

阿里

阿里在WSDM2023上的工作主要有：

• 在推荐上，应用的场景包括：跨域推荐、端上推荐、多场景复购推荐、融合知识图谱的推荐等。核心的技术包括：对比学习、联邦学习等。

• 在NLP上，应用的场景包括：电商商品理解、图文检索。核心技术包括：多模态预训练、蒸馏、提示学习、对比学习。

• 在GNN上，应用的场景包括：快递配送时间预估。核心技术包括：归纳式图学习、图Transformer、图蒸馏等。

• 在广告上，应用的场景包括：拍卖广告。

来一览papers:

• 【跨域推荐】Towards Universal Cross-Domain Recommendation

• 【多场景/复购推荐】MUSENET: Multi-Scenario Learning for Repeat-Aware Personalized Recommendation

• 【联邦端上推荐】Federated Unlearning for On-Device Recommendation

• 【对比学习推荐】Knowledge-Adaptive Contrastive Learning for Recommendation

• 【拍卖广告】Boosting Advertising Space: On Designing Ad Auctions for Augment Advertising

• 【多模态商品理解】Multimodal Pre-Training with Self-Distillation for Product Understanding in E-Commerce

• 【prompt】Making Pre-trained Language Models End-to-end Few-shot Learners with Contrastive Prompt Tuning

• 【多模态图文检索】AGREE: Aligning Cross-Modal Entities for Image-Text Retrieval Upon Vision-Language Pre-trained Models

• 【图网络用于快递时间预测】Inductive Graph Transformer for Delivery Time Estimation

• 【图网络蒸馏】Learning to Distill Graph Neural Networks

百度

百度在WSDM2023上的工作主要有：

• 在搜索上：研究方向主要涉及搜索无偏学习。

• 在图神经网络上：研究GNN的鲁棒性训练方法。

来一览papers：

• 【图网络鲁棒性训练】Robust Training of Graph Neural Networks via Noise Governance

• 【搜索无偏LTR】Model-based Unbiased Learning to Rank

腾讯

腾讯在WSDM2023上的工作主要有：

• 在推荐上，应用场景是跨域推荐、列表整体(slate)推荐、CTR预估、端上推荐(和阿里合作)。核心技术包括：迁移学习、强化学习(列表整体生成)、图分解机、知识蒸馏、联邦学习等。

• 在NLP上，应用场景包括：实体检索、实体链接。核心技术包括：知识感知的多层次图网络。

• 在广告上，应用场景包括：用户生命周期价值(CLV)预测。

• 在图神经网络上，应用场景包括：黑市账户检测。核心技术：自监督图学习。

来一览papers：

• 【跨域推荐】One for All, All for One: Learning and Transferring User Embeddings for Cross-Domain Recommendation

• 【序列整体推荐】Slate-Aware Ranking for Recommendation

• 【CTR预估-知识蒸馏】Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation

• 【联邦端上推荐】Federated Unlearning for On-Device Recommendation

• 【NLP/GNN知识图谱】Modeling Fine-grained Information via Knowledge-aware Hierarchical Graph for Zero-shot Entity Retrieval

• 【NLP实体链接】Hansel: A Chinese Few-Shot and Zero-Shot Entity Linking Benchmark

• 【广告用户生命周期价值预侧】Feature Missing-aware Routing-and-Fusion Network for Customer Lifetime Value Prediction in Advertising

• 【自监督图表征学习-黑市账户检测】Self-supervised Graph Representation Learning for Black Market Account Detection

美团

美团在WSDM2023上的工作主要有：

• 推荐：应用场景是POI推荐，涉及的核心技术点包括：解耦式学习。

paper如下：

-【解耦式POI推荐】DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

字节

字节在WSDM2023上的工作主要有：

• 推荐：两篇工作都是多样性推荐场景。涉及的核心技术点包括：解耦式学习、图神经网络。

来一览papers：

• 【解耦式多样性推荐】Disentangled Representation for Diversified Recommendations

• 【推荐/图网络-多样性表征生成】DGRec: Graph Neural Network for Recommendation with Diversified Embedding Generation

华为

华为在WSDM2023上的工作主要有：

• 推荐：研究推荐系统上的自动动态模型生成框架，听起来很高大上。

• 搜索：应用场景包括：适配手机上多分块页面布局的点击模型、无偏相关性排序学习、LTR排序学习。核心的技术包括：点/检模型、trust bias纠偏、将list level排序升级为page level页面级排序等。

• NLP：应用场景包括：实体对齐。

来一览papers：

• 【推荐-自动动态模型生成框架】AutoGen: An Automated Dynamic Model Generation Framework for Recommender System

• 【搜索-适配手机上多分块页面布局的点击模型】An F-shape Click Model for Information Retrieval on Multi-block Mobile Pages

• 【搜索-无偏相关性排序】Separating Examination and Trust Bias from Click Predictions for Unbiased Relevance Ranking

• 【搜索-LTR升级成page-level】A Bird’s-eye View of Reranking: from List Level to Page Level

• 【NLP-弱监督实体对齐】Weakly Supervised Entity Alignment with Positional Inspiration

微软

微软在WSDM2023上的工作主要有：

• 推荐：应用场景包括：CTR预估(对比学习框架，听名字很高大上)、会话推荐、用户交互度预估等，核心技术是对比学习、建模多层次用户意图、用户意图漂移等。

• 搜索：应用场景包括：代码搜索。

• NLP：应用场景包括：大规模多标签分类。核心技术是：负样本挖掘。

• 图网络：研究GNN中的邻域特征分布建模、社交网络影响力最大化中的对抗攻击。

来一览papers：

• 【对比学习-CTR预估】CL4CTR: A Contrastive Learning Framework for CTR Prediction

• 【会话推荐中多层级用户意图】Efficiently Leveraging Multi-level User Intent for Session-based Recommendation via Atten-Mixer Network

• 【用户egagement预估】DIGMN: Dynamic Intent Guided Meta Network for Differentiated User Engagement Forecasting in Online Professional Social Platforms

• 【代码搜索】Revisiting Code Search in a Two-Stage Paradigm

• 【图网络-领域特征分布建模】MM-GNN: Mix-Moment Graph Neural Network towards Modeling Neighborhood Feature Distribution

• 【图网络-对抗攻击】Scalable Adversarial Attack Algorithms on Influence Maximization

• 【NLP-大规模标签多分类】NGAME: Negative Mining-aware Mini-batching for Extreme Classification

亚马逊

亚马逊在WSDM2023上的工作主要有：

• 推荐：应用场景包括：CTR预估(和微软合作)、会话推荐、用户交互度预估等，核心技术是对比学习、建模多层次用户意图、用户意图漂移等。

• 搜索：应用场景包括：搜索行为预测、语义召回 (除了困难负样本，建模成one-class分类问题)，听起来很有意思。

• NLP：应用场景包括：商品对比可解释生成。

• 图网络：研究GNN中的有偏的邻域采样。

来一览papers：

• 【对比学习框架】CL4CTR: A Contrastive Learning Framework for CTR Prediction

• 【搜索行为预测】Search Behavior Prediction: A Hypergraph Perspective

• 【语义搜索-不仅仅是困难负样本，One-class建模】Beyond Hard Negatives in Product Search: Semantic Matching using One-Class Classification (SMOCC)

• 【NLP-可解释生成】Generating Explainable Product Comparisons for Online Shopping

• 【图网络-有偏邻域采样】BLADE: Biased Neighborhood Sampling based Graph Neural Network for Directed Graphs

Facebook

Facebook(Meta)在WSDM2023上的工作主要有：

• 推荐：包括：基于因果推断的用户偏好研究，图协同过滤推荐，这两篇听起来都很厉害。

• 图网络：研究图协同过滤的简化方案以及符号图 (没太接触过)。

来一览papers：

• 【推荐-因果视角理解用户偏好】A Causal View for Item-level Effect of Recommendation on User Preference

• 【推荐/图协同过滤】Simplifying Graph-based Collaborative Filtering for Recommendation

• 【图网络-符号网络】Learning Topical Stance Embeddings from Signed Social Graphs

总结

WSDM2023工业界搜推广NLP的主要的应用场景包括：跨域推荐、点击率预估、无偏排序学习、语义搜索、用户意图建模、图文检索等。涉及的技术主要集中在图神经网络、知识蒸馏、对比学习、迁移学习、表征学习、多模态等。不同公司关注的场景或技术差异非常大，比如阿里有很多多模态的工作、字节有很多多样性推荐的工作、华为、百度和亚马逊有很多搜索无偏学习、语义搜索等工作，和各家的核心业务差异存在较大关系。

有一些方向延续了过去两年火热的趋势，比如图神经网络、跨域推荐、点击率预估等。不过研究集中点有一些变化，比如WSDM2022上图网络更多的是推荐上的应用文章，今年却涌现了不少基础研究，如鲁棒性训练、蒸馏、归纳式学习、邻域特征分布、对抗攻击等，说明越来越卷了。还比如跨域推荐目前很多是结合对比学习或迁移学习的研究等。

还有些方向属于一直都很火，如无偏排序学习、语义搜索等。最后，有些方向最近1-2年内很火，比如多模态、prompt、对比学习、因果推断等，大多数可能是工业界正在尝试落地的场景，比如WSDM2023上有不少文章研究用户意图和用户偏好，如微软、facebook等，是有一些借鉴意义的。

参考

[1] WSDM2023接收论文列表：https://www.wsdm-conference.org/2023/program/accepted-papers

[2] WSDM'23 推荐系统论文梳理：https://zhuanlan.zhihu.com/p/589002426

[3] WSDM2023推荐系统相关论文整理：https://zhuanlan.zhihu.com/p/582742341