写点什么

深度推荐系统领域近三年最值得关注的 18 篇论文

2019 年 9 月 29 日

深度推荐系统领域近三年最值得关注的18篇论文

本文来自“深度推荐系统”专栏,这个系列将介绍在深度学习的强力驱动下,给推荐系统工业界所带来的最前沿的变化。本文主要根据 RecSys 2019 中论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches》总结最近三年四大顶会深度推荐系统上的 18 个最新算法。


今年 RecSys 2019 上出现的一篇极具批判性的论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches》。灵魂一问深度学习是否在推荐系统已经取得了足够可信的进展?在知乎上也引起了激烈的讨论:如何看待RecSys 2019上的一篇文章认为现有DNN-based推荐算法带来的基本上都是伪提升


作者总结了过去三年四大顶会(KDD、SIGIR、WWW 和 RecSys)推荐系统上 18 个最新算法,只有 7 个能重现效果,而且在不同的测试数据集上它们与浅层经典方法效果对比中经常都败下阵来,并开源了评估代码与数据集。


抛开论文中提到到目前推荐系统众所周知的因为评估数据集、评估指标、以及 baseline 调参等问题不一致导致诸多论文算法在性能可复现上存在的诸多问题,作为产业界的算法工程师来说更多的是需要从最新的顶会工作中开拓视野、吸取不同的思路,来确定工业界线上系统中的下一步的迭代方向。不管黑猫白猫,只要应用在线上系统有确切实际效果的工作就是好工作。


1. Collaborative Memory Network for Recommendation Systems


作者:Travis Ebesu, Bin Shen, Yi Fang;


论文:t.cn/AiRbpFAR; 代码:t.cn/EPRooTK;


Google at SIGIR 2018,提出 CMN 算法融合记忆网络与注意力机制帮助 CF 类算法捕捉 user 和 item 之间的高阶复杂关系。效果好于 CDAE 和 NeuMF 等,并开源了代码。


2. Leveraging Meta-path based Context for Top-N Recommendation with A Neural Co-Attention Model


作者:Binbin Hu, Chuan Shi, Wayne Xin Zhao, Philip S. Yu;


论文:t.cn/AiRbsEUf; 代码:t.cn/EtOkDu7;


KDD 2018,提出 MCRec 算法借助丰富的元路径和互注意力机制进行 Top-N 推荐,可以有效学习 user、item 以及基于元路径的上下文的表示从而学习他们之间的交互。效果好于 NeuMF 等,并开源了代码。


3. Collaborative Variational Autoencoder for Recommender Systems


作者:Xiaopeng Li, James She;


论文:t.cn/AiRGt8SQ; 代码:t.cn/EyWuDRS;


KDD 2017,提出 CVAE 考虑多媒体场景下的推荐内容与交互数据,以无监督的方式学习 item 和用户的深度隐式表示以及他们之间的隐式关系。效果好于 CDL 等,并开源了代码。


4. Collaborative Deep Learning for Recommender Systems


作者:Hao Wang, Naiyan Wang, Dit-Yan Yeung;


论文:t.cn/AiRG66mD; 代码:t.cn/AiRG66mF;


KDD 2015,针对 CF 类方法学习用户与 item 的交互往往过于稀疏导致推荐效果不好的问题,提出 CDL 算法结合用户交互数据与 item 内容辅助信息来学习隐式表示。效果好于 CTR 和 CMF 等模型,并开源了代码。


5. Neural Collaborative Filtering


作者:Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, Tat-Seng Chua;


论文:t.cn/ROuL87r; 代码:t.cn/ROuhFZP;


WWW 2017,提出 NCF 框架使用 NN 网络结构代替內积形式来学习用户和 item 之间的交互,从而实现对 MF 类方法进行扩展。效果好于现有 MF 类方法,并开源了代码。


6. Spectral Collaborative Filtering


作者:Lei Zheng, Chun-Ta Lu, Fei Jiang, Jiawei Zhang, Philip S. Yu;


论文:t.cn/AiRM65fz; 代码:t.cn/AiRM65VF;


RecSys 2018,提出 SpectralCF 算法引入光谱图理论结合在用户-item 二分图上进行光谱卷积操作解决 CF 类算法在推荐冷启动问题上的弱点。效果好于 NCF 等,并开源了代码。


7. Variational Autoencoders for Collaborative Filtering


作者:Dawen Liang, Rahul G. Krishnan, Matthew D. Hoffman, Tony Jebara;


论文:t.cn/RRD6veZ; 代码:t.cn/RRD6veA;


NetFlix at WWW 2018,基于变分自动编码器的 CF 算法。效果明显好于 NCF 和 CDAE 等,并开源了代码。


8. Multi-Pointer Co-Attention Networks for Recommendation


作者:Yi Tay, Luu Anh Tuan, Siu Cheung Hui


论文:t.cn/AiRotBGQ; 代码:t.cn/E72ViBh;


KDD 2018,基于协同注意力机制,针对用户评论以及与商品相关的评论进行重要性选择,用来学习用户与 item 的表示。效果好于同样基于评论建模的 D-ATT/ TransNet/DeepCoNN 等,并开源了代码。


9. Recurrent Knowledge Graph Embedding for Effective Recommendation


作者:Zhu Sun, Jie Yang, Jie Zhang, Alessandro Bozzon, Long-Kai Huang, Chi Xu


论文:t.cn/AiRKtn8B; 代码:t.cn/AiRKtn81;


RecSys 2018,提出一种 KG embedding 方法 RKGE,基于 RNN 网络自动学习实体与实体间 path 的 embedding 表示。效果好于 NCF 与 CKE 等,并开源了代码。


10. RecGAN: Recurrent Generative Adversarial Networks for Recommendation Systems


作者:Homanga Bharadhwaj, Homin Park, Brian Y. Lim;


论文:t.cn/AiRKcnxT;


RecSys 2018,结合 RNN 和 GAN 提出 RecGAN 框架更好地学习用户 item 交互背后的时域与隐式特征。


11. Attentive Neural Architecture Incorporating Song Features for Music Recommendation


作者:Noveen Sachdeva, Kartik Gupta, Vikram Pudi


论文:t.cn/AiEGSrxQ


RecSys 2018,基于 Attention 机制结合歌曲的特征更好地学习用户短期兴趣进行下一首音乐的推荐,效果好于 RNN 以及基于 Session 的 CF 类算法。


12. 3D Convolutional Networks for Session-based Recommendation with Content Features


作者:Trinh Xuan Tuan, Tu Minh Phuong


论文:t.cn/AiEGOGz2


RecSys 2017,使用三维卷积神经网络针对序列推荐中的用户-item 交互数据以及内容特征更好地进行建模,效果好于 GRU4Rec 等。


13. Convolutional Matrix Factorization for Document Context-Aware Recommendation


作者:Donghyun Kim, Chanyoung Park, Jinoh Oh, Seungyong Lee, Hwanjo Yu


论文:t.cn/AiEGRrew; 代码:t.cn/AiEGRreA;


RecSys 2016,提出 ConvMF 算法结合 CNN 以及概率矩阵分解 PMF 更好地捕捉 item 的上下文信息,从而提高预测的准确度。效果好于 CDL 等,并开源了代码。


14. Meta-Prod2Vec: Product Embeddings Using Side-Information for Recommendation


作者:Flavian Vasile, Elena Smirnova, Alexis Conneau


论文:t.cn/AiEGsbzB


RecSys 2016,提出 Meta-Prod2Vec 算法针对 Prod2Vec 算法加入类别型 side information。效果好于原有 Prod2Vec。


15. A Contextual Attention Recurrent Architecture for Context-Aware Venue Recommendation


作者:Jarana Manotumruksa, Craig Macdonald, Iadh Ounis


论文:t.cn/AiEqZfuT; 代码:t.cn/AiEqLdDT;


SIGIR 2018,提出 CARA 框架结合序列中的反馈信息以及上下文信息更好地捕获用户的动态偏好,进行酒店推荐。主要包含一个上下文注意力门和基于时间和地理位置门。效果好于 GRU 以及 LatentCross 等,并开源了代码。


16. Attentive Collaborative Filtering: Multimedia Recommendation with Item-and Component-Level Attention


作者:Jingyuan Chen, Hanwang Zhang, Xiangnan He, Liqiang Nie, Wei Liu, Tat-Seng Chua


论文:t.cn/AiEq5MT6; 代码:t.cn/AiEq5MTA;


SIGIR 2017,提出适用于 CF 的注意力机制跨级啊 ACF,包含 component-level 和 item-level 的注意力模块,更好地学习多媒体内容上用户的偏好。效果好于 DeepHybrid 等,并开源了代码。


17. Latent Relational Metric Learning via Memory-based Attention for Collaborative Ranking


作者:Yi Tay, Anh Tuan Luu, Siu Cheung Hui


论文:t.cn/AiEqIszv; 代码:t.cn/AiEqMIuC;


WWW 2018,提出一种协同推荐上新的度量学习方法 LRML,旨在学习用户和 item 之间的相关关系,而不是简单的用户和项目之间的 push 和 pull 关系。采用了一个增强的存储器模块,并通过这些记忆块来构建用户和项目潜在的关系。效果好于 NeuMF 和 CML 等,并开源了代码。


18. A Multi-view Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems


作者:Ali Mamdouh Elkahky, Yang Song, Xiaodong He


论文:t.cn/AiEqJyzT; 代码:t.cn/AiEqJ8iv;


微软 at WWW 2015,基于 DSSM 匹配模型提出一种跨领域构建用户模型的推荐算法 MV-DSSM 框架。MV-DNN 联合了多个域做的丰富特征进行联合模型推荐,效果好于 CTR 等并开源了代码。


参考链接:


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

  2. 基于深度学习的推荐系统效果遭质疑,它真的有带来实质性进展吗?


本文授权转载自知乎专栏“深度推荐系统”。原文链接:https://zhuanlan.zhihu.com/p/81895505


2019 年 9 月 29 日 18:172603

评论

发布
暂无评论
发现更多内容

USDT承兑支付平台技术开发,承兑商币支付交易平台搭建

13530558032

害怕重构?都怪我太晚和你介绍该如何重构,现在我来了

小Q

Java 学习 程序员 面试 重构

初级工程师职场生存要点

javaadu

程序员 职场成长 开发日志

《TED TALKS演讲的力量》阅读笔记

Jesse Xing

读书笔记 演讲 TED

神经网络之dropout总述

Dreamer

学习

爆料!前华为微服务专家纯手打500页落地架构实战笔记,已开源

996小迁

架构 面试 分布式 微服务 程序人生

CDN是什么?

德胜网络-阳

数字货币OTC交易所开发,交易所搭建方案

13530558032

《精进:如何成为一个很厉害的人》阅读心得

Jesse Xing

读书笔记 个人成长 精进

《乌合之众——群体心理研究》读书笔记

Jesse Xing

读书笔记 心理学 乌合之众 群体心理学

算法有多重要,看字节腾讯等公司面试多重视就行了

小Q

Java 学习 架构 面试 算法

Android网络性能监控方案

应用研发平台EMAS

android 性能 监控 移动开发 应用

如何稳扎稳打推进数字货币进程

CECBC区块链专委会

数字货币

金融科技的未来

CECBC区块链专委会

金融

做个别人家的网页

MySQL从删库到跑路

html/css 网页设计

架构师训练营 - 第七周 - 作业一

行者

Java垃圾回收GC概览

Java JVM GC

从智慧计算的点、线、面,读懂浪潮AI的进化轨迹

脑极体

从一场“众盟科技云滇之播”,我们发现了美食直播的商业与公益价值

脑极体

不会这些mysql得面试题,那可能说明你要回炉了

小Q

Java MySQL 数据库 学习 面试

音像协呼吁保护音乐版权:短视频平台成为侵权重灾区

石头IT视角

JMeter100个线程竟然只模拟出1个并发

dongfanger

软件测试 Jmeter 性能测试 压力测试 测试工具

魏际刚:精准谋划我国供应链发展新方位

CECBC区块链专委会

供应链 物流

一款区块链钱包开发需要多少钱?数字资产钱包开发搭建

13530558032

搭建一套ASP.NET Core+Nacos+Spring Cloud Gateway项目

yi念之间

接口测试的时候如何生成随机数据进行测试

测试人生路

接口测试

从接口异常说说线上问题排查流程

QiyihaoLabs

线上排障 指标监控 链路监控 日志监控 排障流程

18张图,揭开阿里巴巴开发手册强制使用SLF4J作为门面担当的秘密

沉默王二

Java slf4j 日志系统

一不小心画了 24 张图剖析计网应用层协议!

cxuan

计算机网络 计算机 协议

jdk 源码系列之ReentrantLock

sinsy

源码 jdk ReentrantLock 公平锁 非公平锁

面试前不陪女朋友也要看完这套spring源码面试题(附答案)

小Q

Java 学习 编程 架构 面试

演讲经验交流会|ArchSummit 上海站

演讲经验交流会|ArchSummit 上海站

深度推荐系统领域近三年最值得关注的18篇论文-InfoQ