Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches

发表于

RecSys 2019, Best Paper

baseline方法

TopPopular

非个性化，推荐全候选集最热门item

ItemKNN

根据user-item评分矩阵计算item-item相似度
根据item-item相似度计算填充评分矩阵中空白的位置
根据填充完成的评分矩阵进行评分降序给出推荐列表

UserKNN

根据user-item评分矩阵计算user-user相似度
根据user-user相似度推荐与该user最相似的k个user购买/喜欢的item

ItemKNN-CF

与ItemKNN类似，只不过采用item特征而不是评分矩阵计算item-item相似性

ItemKNN-CFCBF

计算item-item相似性的时候将user-item评分向量与item特征向量拼接起来

P^3 a/RP^3 b

二分图建模user-item关系，定义相似度为二分图上节点之间的对称平均跳数距离
[1] Colin Cooper, Sang Hyuk Lee, Tomasz Radzik, and Yiannis Siantos. 2014. Ran- dom walks in recommender systems: exact computation and simulations. In Proceedings WWW ’14. 811–816.
[2] F. Fouss, A. Pirotte, J.-M. Renders, and M. Saerens. Random-walk computation of similarities between nodes of a graph with application to collaborative recommendation. IEEE Trans. Knowl. Data Eng., 19(3):355–369, 2007.
[3] F. Fouss, A. Pirotte, and M. Saerens. A novel way of computing similarities between nodes of a graph, with application to collaborative recommendation. In A. Skowron, R. Agrawal, M. Luck, T. Yamaguchi, P. Morizet-Mahoudeaux, J. Liu, and N. Zhong, editors, Web Intelligence, pages 550–556. IEEE Computer Society, 2005.

新的工作

Collaborative Memory Networks (SIGIR 2018)

[4] Travis Ebesu, Bin Shen, and Yi Fang. 2018. Collaborative Memory Network for Recommendation Systems. In Proceedings SIGIR ’18. 515–524.

动机

neighhood-based方法只关注了local强关联；matrix-factorization方法只关注了全局关联

方法

用户embedding之间的计算attension系数
用attension系数从协同embedding中取加权平均（软索引）
attension项加到user embedding与item embedding的交叉项上

Leveraging Meta-path based Context for Top-N Recommendation with A Neural Co-Attention Model (KDD 2018)

动机

用异质图(HIN)建模user-item-attribute关联

方法

在user-item embedding的基础上显式引入meta-path based context embedding，meta-path通过在HIN中路径采样得到

Collaborative Variational Autoencoder for Recommender Systems (KDD 2018)

动机

推荐算法通常分为collabrative-based和content-based
latent-factor模型融合collabrative和content特征，但依赖好的特征工程
提出一个基于神经网络的贝叶斯变分自编码器模型

方法

Collaborative Deep Learning for Recommender Systems (KDD 2015)

上一篇论文的baseline，层级贝叶斯模型

Neural Collaborative Filtering (WWW 2017)

NCF用神经网络组合user embedding和item embedding，证明了推荐系统领域常用的矩阵分解方法是NCF的一个单层线性特例，并通过拼接神经网络和矩阵分解embedding的方法提升精度。

Spectral Collaborative Filtering (RecSys 2018)

动机

解决推荐系统中的冷启动的问题（新用户和新物品缺乏历史数据）

方法

类似GCN，通过频域卷积的方式从user-item二分图挖掘非直接联系

Variational Autoencoders for Collaborative Filtering (WWW 2018)

同样是将变分自编码器VAE应用到协同过滤
引入多项式似然的生成模型，采用贝叶斯推断进行参数估计
在RecSys2019 best paper这篇文章的实验中本文的方法在各项指标上稳定超过了上文提到的若干种baseline方法

解析：Are We Really Making Much Progress?A Worrying Analysis of Recent Neural Recommendation Approaches相关推荐

推荐系统顶会 RecSys2019 最佳论文！《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Rec
推荐系统顶会 RecSys2019 最佳论文!<Are We Really Making Much Progress? A Worrying Analysis of Recent Neural ...
「构建企业级推荐系统系列」深度学习在推荐系统中的应用
点击上方"数据与智能","星标或置顶公众号" 第一时间获取好内容作者 | gongyouliu 编辑 | auroral-L 2016年DeepMind开发的 ...
深度学习在推荐系统中的应用
作者丨gongyouliu 编辑丨zandy 这是作者的第20篇文章,约2.4万字,阅读需180分钟 2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石,一时成为轰动全 ...
从未看过如此详细的深度学习推荐系统应用详解，读它！
作者丨gongyouliu 编辑丨zandy 来源 | 大数据与人工智能(ID:ai-big-data) [导读]2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石,一 ...
从原理到应用落地，一文读懂推荐系统中的深度学习技术
作者丨gongyouliu.zandy 来源丨大数据与人工智能(ID:ai-big-data) 2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石,一时成为轰动全球的重 ...
三年、四大顶会，深度推荐系统18篇论文只有7个可以复现
作者 | 深度传送门来源 | 深度传送门(ID:gh_5faae7b50fc5) 导读:本文是"深度推荐系统"专栏的第十篇文章,这个系列将介绍在深度学习的强力驱动下,给推荐系统工 ...
7 papers | 对抗样本前，BERT也不行；AutoML的商业实践综述
https://www.toutiao.com/a6716370089295217160/ 机器之心整理参与:一鸣本周有一些重要的研究成果,如 Julia 将内嵌自动可微编程特性.以及 Ian G ...
最新研究前线-深度推荐系统真的有效吗？
1. 背景深度学习已经成为推荐系统领域的首选方法,但与此同时,已有一些论文指出了目前应用机器学习的研究中存在的问题,例如新模型结果的可复现性,或对比实验中基线的选择.这篇论文[Are We Real ...
清华大学王晨阳：轻量级Top-K推荐框架及相关论文介绍
本文内容整理自 PaperWeekly 和 biendata 在 B 站组织的直播回顾,点击文末阅读原文即可跳转至 B 站收看本次分享完整视频录像,如需嘉宾课件,请在 PaperWeekly 公众号回 ...
WSDM2022 | 数据困境: 我们究竟有多了解推荐系统数据集？（附视频、论文及代码）...
猜你喜欢 0.2022年人才市场洞察及薪酬指南 1.[免费下载]2022年1月份热门报告 2.[实践]小红书推荐中台实践 3.微信视频号实时推荐技术架构分享 4.腾讯QQ看点推荐场景的多目标架构实践 ...

解析：Are We Really Making Much Progress?A Worrying Analysis of Recent Neural Recommendation Approaches