最新五篇 CIKM2020【信息检索 +推荐】相关论文，人大/清华/华为

第29届国际计算机学会信息与知识管理大会（The 29th ACM International Conference on Information and Knowledge Management, CIKM 2020）将于2020年10月19日-10月23日在线上召开。CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域顶级学术会议之一。本届CIKM会议共收到投稿920篇，其中录用论文193篇，录取率约为21%。

论文题目：Diversifying Search Results using Self-Attention Network（长文）

作       者：秦绪博（人大博士生），窦志成，文继荣

论文概述：搜索结果多样化的目标是使得检索得到的结果能够尽量覆盖用户提出问题的所有子话题。已有的多样化排序方法通常基于贪心选择(Greedy Selection)过程，独立地将每一个候选文档与已选中的文档序列进行比较，选择每一个排序位置的最佳文档，生成最后的文档排序。而相关研究证明由于各候选文档的边际信息收益并非彼此独立，贪心选择得到的各个局部最优解将难以导向全局最佳排序。本文介绍了一种基于自注意力网络(Self-Attention Network)的方法，可以同步地衡量全体候选文档间的关系，以及候选文档对不同用户意图的覆盖程度，有效地克服原有方法受限于贪心选择过程的局限性，并在TRECWebTrack09-12数据集上获得更好的性能。

论文题目：PSTIE: Time Information Enhanced Personalized Search（长文）

作      者：马正一（人大硕士生），窦志成，边关月，文继荣

论文概述：基于深度学习的个性化搜索模型通过序列神经网络（例如RNN）对用户搜索历史进行序列建模，归纳出用户的兴趣表示，取得了当前最佳的效果。但是，这一类模型忽略了用户搜索行为之间细粒度的时间信息，而只关注了搜索行为之间的相对顺序。实际上，用户每次查询之间的时间间隔可以帮助模型更加准确地对用户查询意图与文档兴趣的演化进行建模。同时，用户历史查询与当前查询之间的时间间隔可以直接帮助模型计算用户的重查找（re-finding）行为概率。基于此，本文提出了一个时间信息增强的个性化搜索模型。我们设计了两种时间感知的LSTM结构在连续时间空间中对用户兴趣进行建模，同时直接将时间信息利用在计算用户重查找概率中，计算出了更加准确的用户长短期兴趣表示。我们提出了两种将用户兴趣表示用于个性化排序的策略，并在两个真实数据集上取得了更好的效果。

论文题目：S3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization（长文）

作       者：周昆（人大博士生），王辉（人大硕士生），赵鑫，朱余韬，王思睿，张富铮，王仲远，文继荣

论文概述：近年来，深度学习在序列化推荐领域取得了巨大成功，已有的序列化推荐模型通常依赖于商品预测的损失函数进行参数训练。但是该损失函数会导致数据稀疏和过拟合问题，其忽视了上下文数据与序列数据之间的关联，使得数据的表示学习的并不充分。为解决该问题，本文提出了S3-Rec这一模型，该模型基于自注意力是模型框架，利用四个额外的自监督训练函数来学习属性、商品、序列之间的特殊关系。在这里，本文采用了互信息最大化技术来构造这些自监督函数，以此来统一这些关系。在六个数据集上的充分实验表明本文提出的模型能够取得State-of-the-art的效果，其在数据量受限和其他推荐模型上也能带来较大的提升。

论文：Learning Better Representations for Neural Information Retrieval with Graph Information” 

（作者：李祥圣，Maarten de Rijke, 刘奕群，毛佳昕，马为之，张敏，马少平）

内容简介：目前的检索模型多数基于文本间的匹配。然而，对于一个搜索会话，用户的行为之间是具有联系的，这样的联系可以用图的方式表示出来。例如用户在会话搜索中修改查询的过程可以知道那些查询之间是相似的，用户点击文档后，可以知道查询与文档之间的关联性。利用这样的两个网络，我们可以构建一个由用户行为组成的图网络。在传统的文本匹配模式上，进一步地引入行为图信息帮助检索模型更好地理解用户搜索意图。检索模型可以利用图信息，对输入的查询进行相似节点查询。同理，对于候选文档也可以利用相似节点查询。通过引入邻接节点信息，丰富当前节点的语义表示。

现有的图模型的工作主要分为两种：网络嵌入式表示方法与图神经网络方法。基于这两种方法，我们提出了两种利用图信息改进检索模型的方法，两种方法的示意图如下所示：

GraphSAIL: Graph Structure Aware Incremental Learning for Recommender Systems (in Applied Research Track)

图1：GraphSAIL全局结构蒸馏示例

      推荐系统可以帮助用户很方便的从在线服务中获取想要的信息，在提升用户体验方面起着越来越重要的作用，也累计了越来越多的用户数据。随着图神经网络（GNNs）的出现，基于用户-物品二部图来学习用户、物品表达展现出了巨大的优势。但是，GNN模型的训练复杂度很高，难以频繁地更新以提供最新的用户、物品个性化表达。在本研究中，我们提出通过增量的方式更新基于GNN的推荐模型，以大大缩短训练时间，从而可以更频繁地更新模型。我们设计了一种图结构感知增量学习框架GraphSAIL，以克服在增量方式训练模型时常常出现的灾难性遗忘问题。GraphSAIL实现了一种可以保存每个节点的局部结构、全局结构和自信息的图结构信息保存策略，从而在增量更新期间可以更好的保留用户的长期偏好（以及物品的长期属性）。GraphSAIL是首个对基于GNN的推荐模型进行增量更新的框架，在两个公共数据集上与其它增量学习技术的对比展示出了GraphSAIL的优越性。我们进一步在大规模工业数据集上验证了我们的框架的有效性。

 参考链接：

http://ai.ruc.edu.cn/newslist/newsdetail/20200818001.html

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“CIKMIR” 可以获取《五篇 CIKM2020【信息检索 +推荐】相关论文》专知下载链接索引

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