SIGIR 2021 | 推荐系统相关论文分类整理

2021 年 5 月 4 日 专知

© 作者|范欣妍

机构|中国人民大学高瓴人工智能学

导师|赵鑫教授

研究方向 | 推荐系统

导读

ACM SIGIR 2021是CCF A类会议,人工智能领域智能信息检索( Information Retrieval,IR)方向最权威的国际会议。会议专注于信息的存储、检索和传播等各个方面,包括研究战略、输出方案和系统评估等等。第44届国际计算机学会信息检索大会(The 44rd International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2021)计划于今年7月11日-7月15日以线上会议形式召开。这次会议共收到720篇长文和526篇短文投稿,有151篇长文和145篇短文被录用,录用率约为21%和27%。官方发布的接收论文列表:https://sigir.org/sigir2021/accepted-papers/

本文选取了SIGIR 2021中86篇长文,44篇短文,重点对推荐系统相关论文(87篇)按不同的任务场景和研究话题进行分类整理,也对其他热门研究方向(问答、对话、知识图谱等,43篇)进行了归类,以供参考。文章也同步发布在AI Box知乎专栏(知乎搜索「 AI Box专栏」),整理过程中难免有疏漏,欢迎大家在知乎专栏的文章下方评论留言,交流探讨!


从词云图看今年SIGIR的研究热点:根据长文和短文的标题绘制如下词云图,可以看到今年研究方向主要集中在Recommendation和Retrieval两个方向,也包括Summarization、Conversations等NLP方向;主要任务包括:Ranking、Cross-domain、Multi-Model/Behavior、Few-Shot、User modeling、Personalization等;热门技术包括:Neural Networks、Knowledge Graph、GNN、Attention、Meta Learning等,其中基于Graph的一类方法依旧是今年的研究热点。

本文目录

 · 1 按推荐的任务场景划分· 

  • CTR
  • Collaborative Filtering
  • Sequential/Session-based Recommendations
  • Conversational Recommender System
  • News Recommendations
  • Cross-domain/Multi-behavior Recommendations
  • Social Recommendation
  • 基于热门技术
    • Graph-based
    • VAE-based
    • GAN-based
    • FM-based
  • Other Tasks

 · 2 按推荐的研究话题划分· 

  • Debias in Recommender System

  • Fairness in Recommender System
  • Explanation in Recommender System
  • Long-tail/Cold-start in Recommender System
  • Attack in Recommender System
  • Diversity in Recommender System
  • Ranking in Recommender System
  • Evaluation
  • Others

 · 3 其他研究方向· 

  • QA

  • Conversations
  • Summarization
  • Generation
  • Knowledge Graph
  • Graph Networks
  • Representation Learning
  • Multi-Modality


01


按推荐任务场景划分


1.1 CTR

  1. Looking at CTR Prediction Again: Is Attention All You Need?【CTR中Attention是否必要?】

  2. ScaleFreeCTR: Mix Cache-based Distributed Training System for CTR Models with Huge Embedding Table【Embedding Layer通常占很多参数,对于数量巨大的Embedding Table如何训练CTR模型

  3. A General Method For Automatic Discovery of Powerful Interactions In Click-Through Rate Prediction【自动挖掘有用Interaction的通用方法】

  4. Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction【冷启动时如何学好图上的元嵌入表示】

  5. GemNN: Gating-enhanced Multi-task Neural Networks with Feature Interaction Learning for CTR Prediction【short paper,CTR中的多任务】

  6. Deep Position-wise Interaction Network For CTR Prediction【short paper】

  7. Deep User Match Network for Click-Through Rate Prediction【short paper,基于用户匹配网络】

  8. Explicit Semantic Cross Feature Learning via Pre-trained Graph Neural Networks for CTR Prediction【short paper,预训练GNN】

  9. RLNF: Reinforcement Learning based Noise Filtering for Click-Through Rate Prediction【short paper,基于强化学习过滤噪声】

1.2 Collaborative Filtering

  1. Bootstrapping User and Item Representations for One-Class Collaborative Filtering

  2. When and Whom to Collaborate with in a Changing Environment: A Collaborative Dynamic Bandit Solution【基于老虎机方法根据环境变化动态调整】

  3. Neural Graph Matching based Collaborative Filtering【基于图匹配网络的CF】

  4. Enhanced Graph Learning for Collaborative Filtering via Mutual Information Maximization【通过MIM来增强图学习】

  5. Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation【集合到集合的排序推荐】

1.3 Sequential/Session-based Recommendations

  1. Category-aware Collaborative Sequential Recommendation【类别感知的SR】

  2. Sequential Recommendation with Graph Convolutional Networks【GCN做SR】

  3. Dual Attention Transfer in Session-based Recommendation with Multi Dimensional Integration【双重Attention迁移】

  4. Unsupervised Proxy Selection for Session-based Recommender Systems【无监督代理选择方法】

  5. StackRec: Efficient Training of Very Deep Sequential Recommender Models by Iterative Stacking【针对非常深的网络的更有效率训练方法】

  6. Counterfactual Data-Augmented Sequential Recommendation【反事实数据增强】

  7. CauseRec: Counterfactual User Sequence Synthesis for Sequential Recommendation【反事实用户序列合成】

  8. Counterfactual Reward Modification for Streaming Recommendation with Delayed Feedback【流推荐中反事实奖励修改】

  9. Package Recommendation with Intra- and Inter-Package Attention Networks【考虑包内和包间关系的package推荐】

  10. The World is Binary: Contrastive Learning for Denoising Next Basket Recommendation【对比学习做SR】

  11. Motif-aware Sequential Recommendation【short paper,基于主题的SR】

  12. Lighter and Better: Low-Rank Decomposed Self-Attention Networks for Next-Item Recommendation【short paper,通过低秩分解自注意力网络,进行模型轻量化】

  13. Augmenting Sequential Recommendation with Pseudo-Prior Items via Reversely Pre-training Transformer【short paper】

  14. ICAI-SR: Item Categorical Attribute Integrated Sequential Recommendation【short paper】

  15. Temporal Augmented Graph Neural Networks for Session-Based Recommendations【short paper,时序增强的GNN做SR】

1.4 Conversational Recommender System

  1. Unified Conversational Recommendation Policy Learning via Graph-based Reinforcement Learning【基于图的强化学习方法】
  2. Learning to Ask Appropriate Questions in Conversational Recommendation【学会提问】
  3. Comparison-based Conversational Recommender System with Relative Bandit Feedback【基于老虎机的反馈】

1.5 News Recommendations

  1. Personalized News Recommendation with Knowledge-aware News Interactions【引入新闻交互知识做个性化新闻推荐】

  2. Joint Knowledge Pruning and Recurrent Graph Convolution for News Recommendation【知识剪枝与递归图卷积】

  3. Empowering News Recommendation with Pre-trained Language Models【short paper,预训练语言模型引入到新闻推荐】
  4. AMM: Attentive Multi-field Matching for News Recommendation【short paper,多领域匹配的新闻推荐】
  5. RMBERT: News Recommendation via Recurrent Reasoning Memory Network over BERT【short paper,递归推理记忆网络】

1.6 Cross-domain/Multi-behavior Recommendations

  1. Federated Collaborative Transfer for Cross-Domain Recommendation【跨领域推荐中的联合协同迁移】

  2. Learning Domain Semantics and Cross-Domain Correlations for Paper Recommendation【通过领域语义和跨领域关联做论文推荐

  3. Graph Meta Network for Multi-Behavior Recommendation with Interaction Heterogeneity and Diversity【基于图元网络的多行为推荐】

  4. Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users【short paper,跨领域推荐中的冷启动】

1.7 Social Recommendation

  1. Social Recommendation with Implicit Social Influence【short paper】

  2. ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation【short paper,通过一致用户增强的GNN】

1.8 基于热门技术

1.8.1 Graph-based
  1. Structured Graph Convolutional Networks with Stochastic Masks for Recommender Systems【结构化GCN】

  2. Self-supervised Graph Learning for Recommendation【推荐中的自监督图学习】

  3. DEKR: Description Enhanced Knowledge Graph for Machine Learning Method Recommendation【增强知识图谱】

  1.8.2 VAE-based

  1. Variational Autoencoders for Top-K Recommendation with Implicit Feedback【short paper,VAE对Top-K推荐】

  2. Bayesian Critiquing with Keyphrase Activation Vectors for VAE-based Recommender Systems【short paper,基于关键词激活向量的贝叶斯评判】

  1.8.3 GAN-based

  1. Info-flow Enhanced GANs for Recommender【short paper】

  1.8.4 FM-based

  1. xLightFM: Extremely Memory-Efficient Factorization Machine【高效Memory的因子分解机模型】

1.9 Other Tasks

  1. Clicks can be Cheating: Counterfactual Recommendation for Mitigating Clickbait Issue【反事实推荐中减轻点击诱饵的问题】

  2. UGRec: Modeling Directed and Undirected Relations for Recommendation【在推荐中建立有向和无向关系】

  3. Learning Recommender Systems with Implicit Feedback via Soft Target Enhancement【软目标增强的方法】

  4. PreSizE: Predicting Size in E-Commerce using Transformers【使用Transformer预测size(尺码?)】

  5. Did you buy it already? Detecting Users Purchase-State From Their Product-Related Questions【通过产品相关问题检测用户购买状态,新颖性推荐】

  6. Path-based Deep Network for Candidate Item Matching in Recommenders【基于路径的深度网络做候选item匹配】

  7. How Powerful are Interest Diffusion on Purchasing Prediction: A Case Study of Taocode【基于Taocode的购买预测分析】

  8. A Study of Defensive Methods to Protect Visual Recommendation Against Adversarial Manipulation of Images【可视化推荐】


02


按推荐研究话题划分


2.1 Debias in Recommender System

  1. AutoDebias: Learning to Debias for Recommendation【自动debias】
  2. Mitigating Sentiment Bias for Recommender Systems【消除情感偏差】
  3. Causal Intervention for Leveraging Popularity Bias in Recommendation【流行度偏差】
  4. Enhanced Doubly Robust Learning for Debiasing Post-Click Conversion Rate Estimation
  5. Dual Unbiased Recommender Learning for Implicit Feedback【short paper,双重无偏的推荐学习】

2.2 Fairness in Recommender System

  1. Personalized Counterfactual Fairness in Recommendation【个性化反事实公平性】
  2. TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers【对消费者和商家都公平的推荐模型】
  3. The Winner Takes it All: Geographic Imbalance and Provider (Un)fairness in Educational Recommender Systems【short paper,教育推荐系统中的地域不平衡】

2.3 Explanation in Recommender System

  1. On Interpretation and Measurement of Soft Attributes for Recommendation【对推荐中软属性的解释和测量】
  2. ReXPlug: Explainable Recommendation using Plug-and-Play Language Model 【使用即插即用语言模型做可解释性推荐】
  3. User-Centric Path Reasoning towards Explainable Recommendation
  4. Counterfactual Explanations for Neural Recommenders【short paper,反事实解释】

2.4 Long-tail/Cold-start in Recommender System

  1. Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction【学习图元嵌入表示】
  2. FORM: Follow the Online Regularized Meta-Leader for Cold-Start Recommendation【在线正则化的元学习器】
  3. Privileged Graph Distillation for Cold-start Recommendation【优先图蒸馏】
  4. Learning to Warm Up Cold Item Embeddings for Cold-start Recommendation with Meta Scaling and Shifting Networks【如何warm up】
  5. Fairness among New Items in Cold Start Recommender Systems【冷启动中新物品的公平性比较】
  6. Long-Tail Hashing【长尾Hash】
  7. Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users【short  paper】
  8. Cluster-Based Bandits: Fast Cold-Start for Recommender System New Users【short paper,基于聚类的老虎机模型来快速冷启动】
  9. Sequential Recommendation for Cold-start Users with Meta Transitional Learning【short paper,元过渡学习】
  10. Decoupling Representation and Regressor for Long-Tailed Information Cascade Prediction【short paper,解耦表示和回归方法】

2.5 Attack in Recommender System

  1. Fight Fire with Fire: Towards Robust Recommender Systems via Adversarial Poisoning Training【以牙还牙,用有毒的对抗网络增强模型鲁棒性】

2.6 Diversity in Recommender System

  1. Enhancing Domain-Level and User-Level Adaptivity in Diversified Recommendation【从领域层面和用户层面增强推荐多样性】

2.7 Ranking in Recommender System

  1. New Insights into Metric Optimization for Ranking-based Recommendation【排序类推荐模型中的指标优化】

2.8 Evaluation

  1. Standing in Your Shoes: External Assessments for Personalized Recommender Systems【外部评估】

  2. Evaluation measures based on preference graphs【基于偏好图的评估】

2.9 Others

  1. A Guided Learning Approach for Item Recommendation via Surrogate Loss Learning【替代损失学习】

  2. Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization【short paper】

  3. Underestimation Refinement: A General Enhancement Strategy for Exploration in Recommendation Systems【short paper,推荐中的探索问题】

  4. Cross-Batch Negative Sampling for Training Two-Tower Recommenders【short paper,双塔模型中的负采样问题】

03


其他研究方向


3.1 QA

  1. Reinforcement Learning from Reformulations in Conversational Question Answering over Knowledge Graphs【强化学习+KG】
  2. Answer Complex Questions: Path Ranker Is All You Need【路径排序】
  3. IDRQA: Iterative Document Reranking for Open-domain Multi-hop Question Answering【开放域多跳问答】
  4. LPF: A Language-Prior Feedback Objective Function for De-biased Visual Question Answering【short paper】

3.2 Conversations

  1. Initiative-Aware Self-Supervised learning for Knowledge-Grounded Conversations【自监督学习对知识型对话】

  2. Conversations Powered by Cross-Lingual Knowledge【跨语言知识】

  3. Partner Matters! An Empirical Study on Fusing Personas for Personalized Response Selection in Retrieval-Based Chatbots【个性化回复的选择很重要】

  4. One Chatbot Per Person: Creating Personalized Chatbots based on Implicit User Profiles【针对用户画像建立个性化对话机器人】

  5. Multimodal Activation: Awakening Dialog Robots without Wake Words【没有唤醒词来激活对话机器人】

  6. Graph-Structured Context Understanding for Knowledge-grounded Response Generation【short paper,图结构的知识型回复生成】

  7. Towards an Online Empathetic Chatbot with Emotion Causes【short paper,在线情感聊天机器人】

  8. Improving Response Quality with Backward-reasoning in Open-domain Dialogue Systems【short paper,开放域对话系统】

  9. Medical Triage Chatbot Diagnosis Improvement via Multi-relational Hyperbolic Graph Neural Network【short paper,医学诊断对话机器人】

  10. Position Enhanced Mention Graph Attention Network for Dialogue Relation Extraction【short paper,图注意网络对对话关系的抽取】

  11. User Feedback and Ranking in-a-Loop: Towards Self-Adaptive Dialogue Systems【short paper,自适应对话系统】

  12. LS-DST: Long and Sparse Dialogue State Tracking with Smart History Collector in Insurance Marketing【short paper,保险营销领域长稀疏对话追踪】

  13. Proactive Retrieval-based Chatbots based on Relevant Knowledge and Goals【short paper】

3.3 Summarization

  1. Multi-Modal Supplementary-Complementary Summarization using Multi-Objective Optimization【多模型下的补充摘要】

  2. DeepQAMVS: Query-Aware Hierarchical Pointer Networks for Multi-Video Summarization【指针网络,多视频摘要】

  3. Transformer Reasoning Network for Personalized Review Summarization【基于Transformer推理网络的评论摘要】

  4. Leveraging Lead Bias for Zero-shot Abstractive News Summarization【zero-shot的新闻摘要】

  5. DSGPT: Domain-Specific Generative Pre-Training of Transformers for Text Generation in E-commerce Title and Review Summarization【short paper,在电商领域标题和评论摘要中的文本生成】

  6. Unsupervised Extractive Text Summarization with Distance-Augmented Sentence Graphs【short paper,无监督抽取文本摘要】

3.4 Generation

  1. Multi-type Textual Reasoning for Product-aware Answer Generation【回复生成】

  2. Knowledge-based Review Generation by Coherence Enhanced Text Planning【评论生成】

3.5 Knowledge Graph

  1. Relational Learning with Gated and Attentive Neighbor Aggregator for Few-Shot Knowledge Graph Completion【few-shot的知识图谱补全】

  2. TIE: A Framework for Embedding-based Incremental Temporal Knowledge Graph Completion【时序知识图谱补全

  3. MetaP: Meta Pattern Learning for One-Shot Knowledge Graph Completion【short paper,one-shot的知识图谱补全

  4. Knowledge Graph Embedding via Metagraph Learning【short paper,知识图谱嵌入表示】

  5. DOZEN: Cross-Domain Zero Shot Named Entity Recognition with Knowledge Graph【short paper,跨领域zero-shot命名实体识别】

3.6 Graph Networks

  1. Graph Similarity Computation via Differentiable Optimal Assignment【图相似度计算】

  2. Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method【图卷积中邻居的可靠性】

  3. A Graph-Convolutional Ranking Approach to Leverage the Relational Aspects of User-Generated Content【图卷积排序方法】

  4. Retrieving Complex Tables with Multi-Granular Graph Representation Learning【多粒度图表示学习】

  5. Meta-Inductive Node Classification across Graphs【节点分类】

  6. WGCN: Graph Convolutional Networks with Weighted Structural Features【带权重结构特征的GCN】

3.7 Representation Learning

  1. Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning【进化表征学习】

  2. Legal Judgment Prediction with Multi-Stage Case Representation Learning in the Real Court Setting【法院判决里的表征学习】

  3. One Person, One Model, One World: Learning Lifelong User Representation without Forgetting【一个user表示用一生】

  4. Inductive Representation Learning in Temporal Networks via Mining Neighborhood and Community Influences【short paper,时序网络中的表征学习】

  5. Enhanced Representation Learning for Examination Papers with Hierarchical Document Structure【short paper,分层文档结构中的表示学习】

3.8 Multi-Modality

  1. GilBERT: Generative Vision-Language Pre-Training for Modality-Incomplete Visual-Linguistic Tasks【视觉到语言的跨模态】

  2. Hierarchical Cross-Modal Graph Consistency Learning for Video-Text Retrieval【视频-文字检索】



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“AECC” 就可以获取面向自动驾驶的边缘计算技术研究综述》专知下载链接

专知,专业可信的人工智能知识分发 ,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!


欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源

登录查看更多
5

相关内容

ICML 2021论文收录
专知会员服务
122+阅读 · 2021年5月8日
专知会员服务
37+阅读 · 2021年4月27日
专知会员服务
54+阅读 · 2021年2月2日
近期必读的六篇 ICLR 2021【推荐系统】相关投稿论文
专知会员服务
46+阅读 · 2020年10月13日
近期必读的五篇KDD 2020【推荐系统 (RS) 】相关论文
专知会员服务
64+阅读 · 2020年8月11日
专知会员服务
87+阅读 · 2020年1月20日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
CIKM2020推荐系统论文集合
机器学习与推荐算法
10+阅读 · 2020年10月13日
CIKM2020 | 最新9篇推荐系统相关论文
机器学习与推荐算法
12+阅读 · 2020年8月20日
AAAI2020 图相关论文集
图与推荐
10+阅读 · 2020年7月15日
KDD2020推荐系统论文聚焦
机器学习与推荐算法
15+阅读 · 2020年6月28日
SIGIR2020推荐系统论文聚焦
机器学习与推荐算法
15+阅读 · 2020年6月9日
深度学习在推荐系统中的应用及论文小结
专知
14+阅读 · 2019年7月8日
LibRec 精选:近期15篇推荐系统论文
LibRec智能推荐
5+阅读 · 2019年3月5日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
14+阅读 · 2018年4月18日
VIP会员
相关VIP内容
ICML 2021论文收录
专知会员服务
122+阅读 · 2021年5月8日
专知会员服务
37+阅读 · 2021年4月27日
专知会员服务
54+阅读 · 2021年2月2日
近期必读的六篇 ICLR 2021【推荐系统】相关投稿论文
专知会员服务
46+阅读 · 2020年10月13日
近期必读的五篇KDD 2020【推荐系统 (RS) 】相关论文
专知会员服务
64+阅读 · 2020年8月11日
专知会员服务
87+阅读 · 2020年1月20日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
相关资讯
CIKM2020推荐系统论文集合
机器学习与推荐算法
10+阅读 · 2020年10月13日
CIKM2020 | 最新9篇推荐系统相关论文
机器学习与推荐算法
12+阅读 · 2020年8月20日
AAAI2020 图相关论文集
图与推荐
10+阅读 · 2020年7月15日
KDD2020推荐系统论文聚焦
机器学习与推荐算法
15+阅读 · 2020年6月28日
SIGIR2020推荐系统论文聚焦
机器学习与推荐算法
15+阅读 · 2020年6月9日
深度学习在推荐系统中的应用及论文小结
专知
14+阅读 · 2019年7月8日
LibRec 精选:近期15篇推荐系统论文
LibRec智能推荐
5+阅读 · 2019年3月5日
Top
微信扫码咨询专知VIP会员