推荐系统阅读清单：最近我们在读哪些论文？
在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背后的探索和思考。
在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。
點擊本文底部的「閱讀原文」即刻加入社區，查看更多最新論文推薦。
這是 PaperDaily 的第 133?篇文章@daven88 推薦
#Deep Learning
最近兩年，基于深度學習的推薦系統一直是非常火熱的研究方向，然而隨著論文數量的增多，對比和復現他人論文成了困擾科研人員的一個難題。本文提出了一個全新開源工具庫，包含諸多基于深度學習的推薦算法，代碼可以直接運行，可以用來做為 baselines 和開發自己的算法，是一個非常不錯的工具。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2979
源碼鏈接
https://github.com/cheungdaven/DeepRec
@shoujin 推薦
#Session-based Recommendation
本文是第一篇全面深入總結 session-based recommendations 的綜述文章，值得推薦。文章系統總結了目前一種新型推薦范式：session-based recommendations 的特點、挑戰和目前取得的進展，對整個推薦系統研究領域和相關的工業界人員提供了一個全面了解推薦系統領域最新研究進展的機會。
該文從問題本質和相關的數據特征入手，為 session-based recommendations 建立了一個層次化模型來深入理解里面存在的各種數據復雜性和潛在挑戰，然后采用了兩個不同維度對現有研究成果進行了系統分類和總結，最后提出了展望。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2884
@ZSCDumin 推薦
#Reinforcement Learning
本文是清華大學和京東發表于 KDD 2019 的工作。論文針對利用強化學習解決推薦系統時存在用戶行為難以建模的問題，提出了一種新的強化學習框架 FeedRec，包括兩個網絡：Q 網絡利用層次化 LSTM 對復雜用戶行為建模，S 網絡用來模擬環境，輔助和穩定 Q 網絡的訓練。方法在合成數據和真實數據上進行了驗證，取得了 SOTA 的結果。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2995
@paperweekly 推薦
#Recomendation
本文是 UCSD 和微軟發表于 CIKM 2018 的工作。與在線購物不同的是，在超市購物場景下，商品間的互補性和用戶對商品的忠誠度起著決定性作用。本文基于這兩個維度提出了一種新的表示學習方法——triple2vec。此外，作者在上述方法得到的表示基礎上，提出了一種考慮忠誠度的推薦算法，用忠誠系數來權衡表示模型和統計模型計算出的購買偏好。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2516
源碼鏈接
https://github.com/MengtingWan/grocery
@ZSCDumin 推薦
#Group Recommendation
本文是湖南大學和新加坡國立大學發表于 SIGIR 2018 的工作，論文應用神經協同網絡和注意力機制為群組用戶進行 Top-N 商品推薦，主要解決了群組用戶興趣的動態組合、群組與個人用戶的協同商品推薦，以及新用戶的冷啟動問題。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2732
源碼鏈接
https://github.com/LianHaiMiao/Attentive-Group-Recommendation
@paperweekly 推薦
#Collaborative Filtering
本文是 Netflix、MIT 和 Google AI 發表于 WWW 2018 的工作，論文將變分自編碼器（VAE）擴展到協同過濾以進行隱式反饋，通過非線性概率模型克服線性因子模型的局限。其次，作者引入了具有多項式似然（multinomial likelihood）的生成模型，并使用貝葉斯推斷進行參數估計。作者基于 VAE 提出了一個生成模型 VAE_CF，并針對 VAE 的正則參數和概率模型選取做了適當調整，使其在當前推薦任務中取得最佳結果。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2606
源碼鏈接
https://github.com/dawenl/vae_cf
@paperweekly 推薦
#Recommender Systems
本文是中科院和亞利桑那州立大學發表于 AAAI 2018 的工作。現有的推薦系統大多依靠用戶的歷史評分或者評論文本進行推薦，往往由于數據資源不足而面臨數據稀疏和難以進行冷啟動的問題。本文基于原則性和數學的方式，對用戶評論中的積極/消極情感加以充分利用，提出了一個全新推薦框架 MIRROR，并且在 Ciao 和 Epinions 這兩個真實數據集上證明了該框架的有效性。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2550
@paperweekly 推薦
#Context-aware Recommendations
本文是山東大學發表于 CIKM 2018 的工作，論文關注的問題是基于上下文感知的推薦系統。作者提出了一種新型注意力交互網絡，用來捕捉內容、user和item之間的交互影響。此外，作者還提出了一種效應級注意力機制來聚合多種交互影響。通過在三個公開數據集 Food、Yelp 和 Frappe 上的大量實驗表明，本文模型效果優于當前最先進的上下文感知推薦算法。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2501
@paperweekly 推薦
#Matrix Factorization
本文是伍斯特理工學院和賓夕法尼亞州立大學發表于 CIKM 2018 的工作，論文提出了一個基于 RME（Regularized Multi-Embedding）的推薦模型，不再基于用戶的共同喜好進行物品推薦，而是創新地提出刻畫物品對共同被討厭的特征，進而避免向用戶推薦其討厭的物品。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2446
源碼鏈接
https://github.com/thanhdtran/RME
@paperweekly 推薦
#Multi-Task Learning
本文是上海交大和弗吉尼亞大學發表于 SIGIR 2018 的工作。論文提出了一個用于可解釋推薦任務的多任務學習方法，通過聯合張量分解將用戶、產品、特征和觀點短語映射到同一表示空間。
▲?論文模型：點擊查看大圖
論文鏈接
https://www.paperweekly.site/papers/2421
源碼鏈接
https://github.com/MyTHWN/MTER
點擊以下標題查看往期推薦：?
??近期必讀的12篇「推薦系統」相關論文
??基于多任務學習的可解釋推薦系統
??融合MF和RNN的電影推薦系統
??基于深度學習的推薦模型—PARL
??想了解推薦系統最新研究進展？請收好這份清單
#投 稿 通 道#
?讓你的論文被更多人看到?
如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？?答案就是：你不認識的人。
總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?
PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。
??來稿標準：
? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?
? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?
? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志
? 投稿郵箱：
? 投稿郵箱：hr@paperweekly.site?
? 所有文章配圖，請單獨在附件中發送?
? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通
?
現在，在「知乎」也能找到我們了
進入知乎首頁搜索「PaperWeekly」
點擊「關注」訂閱我們的專欄吧
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
▽ 點擊 |?閱讀原文?| 獲取更多論文推薦
總結
以上是生活随笔為你收集整理的推荐系统阅读清单：最近我们在读哪些论文？的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 微软论文解读：用于视觉对话的多步双重注意
- 下一篇： 预告 | AIS (ACL, IJCAI