IJCAI2021 | 深度推荐系统教程 (附Slides)

嘿，记得给“机器学习与推荐算法”添加星标

---

来自 | 专知

链接 | mp.weixin.qq.com/s/XhBqPGXNmmGC6xR8kGqz4w

改编 | 机器学习与推荐算法

【碎碎念】推荐系统发展至今，经历了从启发式算法到复杂模型的过渡、从浅层模型到深度模型的发展、从专注于精度提升到关注推荐可解释性以及安全隐私性等方面。未来的推荐系统一定不止于推荐的精准，还应在保证用户隐私和数据安全的前提下，实现带有可解释性的精准推荐。

【导读】IJCAI全称国际人工智能联合会议，是人工智能领域中最主要的学术会议之一。IJCAI2021由于疫情影响，也将于线上举行，本次会议在4204篇投稿论文中，有587篇论文被录取，论文接收率低至13.9%。

来自密歇根州立大学、香港城市大学、香港理工大学、百度的研究人员在IJCAI2021上讲述深度学习推荐系统的教程，非常值得关注!

推荐系统能够为每个用户提供个性化的建议，已经成为缓解我们日常生活中信息过载问题不可或缺的工具，尤其是在许多面向用户的在线服务中。它不仅方便了用户寻找信息，也让内容提供者有了更多的盈利潜力。近年来，在深度神经网络(DNNs)的成功推动下，推荐技术在DNNs范式下取得了良好的性能。然而，现有的基于DNN的方法在实践中存在一些缺陷。更具体地说，它们将每个交互视为一个单独的数据实例，并忽略实例之间的关系。同时，他们将推荐过程视为一个静态过程，采用固定的贪婪策略进行推荐。此外，大多数现有的基于DNN的推荐系统都是基于手工制作的特征、超参数和深度神经网络架构。此外，大多数现有的深度推荐系统都容易受到对抗性攻击。

在本教程中，我们旨在全面综述在深度推荐系统中解决上述问题的先进技术的最新进展，包括图神经网络(GNNs)、深度强化学习(DRL)和自动机器学习(AutoML)。同时，我们将为推荐系统引入对抗性攻击。通过这种方式，我们希望来自三个领域的研究人员对空间有一个深入的理解和准确的洞察，激发更多的想法和讨论，并在推荐中推广技术。

1. https://advanced-recommender-systems.github.io/ijcai2021-tutorial/

2. 也可后台回复【ijcai】获取打包好的教程集合

P.S. 祝自己今天生日快乐，祝大家天天开心~

目录:

1. Introduction 导论

2. Fundamentals of Deep Recommender Systems 深度推荐系统基础

3. Reinforcement Learning for Recommender Systems 强化学习推荐系统

4. Graph Neural Networks for Recommendations 图神经网络推荐

5. Automated Machine Learning (AutoML) for Recommendations  自动机器学习推荐

6. Adversarial Attacks for Recommender Systems 推荐系统对抗攻击

7. Deep Recommendations: Future Directions (Trustworthy RecSys)  深度推荐未来

讲者

推荐阅读

RecSys2021推荐系统论文集锦

KDD2021 | 基于深度图卷积网络的多样化推荐

"轻量"且"优秀"的序列推荐模型

喜欢的话点个在看吧👇