【IJCAI2019】最新10篇推荐系统相关论文阅读-Part.1

会员服务 ·

【IJCAI2019】最新10篇推荐系统相关论文阅读-Part.1

2019 年 8 月 24 日 专知

导读

今年IJCAI会议的proceedings中，根据关键词搜索，推荐系统相关的论文数量大约44篇左右，本文简要介绍其中10篇论文，涉及对抗学习算法、多任务学习、序列推荐、视觉（图像、视频）推荐、地理位置推荐、可解释性推荐等。

编译 | Xiaowen

Deep Adversarial Social Recommendation

近年来，由于社交网络对我们日常生活的影响越来越大，社会推荐（social recommendation）技术在改善推荐系统性能方面取得了迅速发展。大多数现有的社会推荐方法统一了用户项目交互(项目域，item domain)和用户用户连接(社会域，social domain)的用户表示。然而，由于用户在两个领域中的行为和交互方式不同，使得它们的表现形式是异构的，这就限制了每个域中的用户表示学习。此外，大多数传统的推荐系统都不能有效地优化这些目标，因为它们使用了负采样技术，无法为优化过程中的训练提供足够的信息指导。为了应对上述挑战，我们提出了一种新的深度对抗性社会推荐方法（Deep Adversarial SOcial recommendation, DASO）。它采用双向映射的方法，利用对抗性学习在社交域和项目域之间传递用户信息。在两个真实世界数据集上的综合实验表明了该方法的有效性。

论文地址：

https://www.ijcai.org/proceedings/2019/0187.pdf

Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation

序列推荐系统最近成为一个研究热点，即推荐用户使用下一个感兴趣的项目(与之交互)。然而，现有的方法有两个限制：(1)项目的表示相对静态，对所有用户都是固定的。我们认为，对于不同的用户和时间步骤，即使是相同的项目也应该有不同的表示。(2) 用户对一个项目的预测的生成是在一个单一的尺度上计算的（例如内积），而忽略了多尺度用户偏好的性质。为了解决这些问题，本文提出了两个增强序列推荐的构建模块。具体来说，我们设计了一个动态项目模块(Dynamic Item Block，DIB)来学习动态项目表示，方法是聚合那些在该时间步骤之前对同一项进行评分的人的嵌入表示。然后，我们提出了一个预测增强模块(Prediction Enhancing Block，PEB)，用于将用户表示映射到多个尺度上，并在此基础上进行多个预测，并将其集中起来以增强学习。为了提高效率，每个预测都是由抽样项目集上的Softmax生成的，而不是整个项目空间。我们在四个真实的数据集上进行了一系列的实验，结果表明，在DIB和PEB的参与下，即使是一个基本的模型也能在排序精度上得到很大的提高。

论文地址：

https://www.ijcai.org/proceedings/2019/0190.pdf

数据集和代码地址：

https://github.com/ouououououou/DIB-PEB-Sequential-RS

Personalized Multimedia Item and Key Frame Recommendation

当向用户推荐项目时，一种新的趋势是为每个多媒体项目呈现一个关键帧图像(例如电影的海报)。由于每个多媒体项目可以表示为多个细粒度的视觉图像(例如与电影相关的图像)，在这些应用中需要个性化的关键帧推荐，以吸引用户独特的视觉偏好。然而，以前的个性化关键帧推荐模型依赖于用户“多媒体项目的细粒度图像行为”(例如，用户-图像交互行为)，这在真实场景中通常不可用。本文研究了在缺乏细粒度用户-图像行为的情况下联合多媒体项目和关键帧推荐的问题。我们认为，这个问题的关键挑战在于发现用户“关键帧的视觉profile”，因为大多数推荐模型在没有任何用户“细粒度图像”行为的情况下都将失败。为了应对这一挑战，我们利用用户的项目行为将用户（项目）投影在两个潜在的空间：协同的潜在空间（collaborative latent space ）和视觉潜在的空间（visual latent space）中。我们还设计了一个模型来辨别用户的协同和视觉维度，并对用户如何从这两个空间中进行决定性的项目偏好进行建模。因此，学习的用户视觉profile可以直接应用于关键帧推荐。最后，真实世界数据集的实验结果清楚地显示了我们提出的关于两个推荐任务的模型的有效性。

论文地址：

https://www.ijcai.org/proceedings/2019/0198.pdf

DeepAPF: Deep Attentive Probabilistic Factorization for Multi-site Video Recommendation

现有的Web视频系统根据用户“从其自己的网站查看历史记录”来推荐视频。但是，由于许多用户在多个网站上观看视频，所以这种方法无法在跨站捕获这些用户的兴趣。本文研究了基于大规模真实数据集的多个站点的用户浏览行为。我们发现，用户兴趣由具有不同程度重要性的跨站点一致性部分和站点特定部分组成。现有的线性矩阵因式分解推荐模型对复杂交互作用的建模具有一定的局限性。因此，我们提出了一种深度注意力概率因式分解模型（Deep Attentive Probabilistic Factorization (DeepAPF) ），利用深度学习方法来逼近这种复杂的用户视频交互。DeepAPF既捕获了跨站点的共同兴趣，也捕捉了站点特定的兴趣，并通过注意力网络学习到了非均匀的重要性权重。大量实验表明，通过对三种最先进Baselines的比较，我们提出的模型的性能分别优于对比方法17.62%、7.9%和8.1%。

论文地址：

https://www.ijcai.org/proceedings/2019/0202.pdf

Geo-ALM: POI Recommendation by Fusing Geographical Information and Adversarial Learning Mechanism

从签到数据中了解用户的偏好对于POI推荐非常重要。然而，用户通常已经访问了一些POIs，而大多数POIs是未访问的(即负样本)。为了利用这些“无行为” 的POIs ，一种典型的方法是成对排序（pairwise ranking），它为用户和 POIs 构造排序对。虽然这种方法通常是有效的，但排序对中的负样本是随机获得的，这可能无法在模型训练中利用“关键”负样本。另一方面，以前的研究也利用了地理特征来提高推荐质量。然而，以前的大部分工作没有全面地利用地理信息，这也可能会影响性能。为了解决这些问题，我们提出了一种基于地理信息的对抗学习模型(Geo-ALM)，该模型可以看作是地理特征与生成性对抗网络的融合。它的核心思想是通过利用地理特征的两个粒度(即区域特征和POI特征)来交互学习判别器器和生成器。实验结果表明，与现有的几种先进技术相比，Geo-ALM具有较好的性能。

论文地址：

https://www.ijcai.org/proceedings/2019/0250.pdf

Multi-View Active Learning for Video Recommendation

在许多视频网站上，推荐机制被实现为视频-用户对的预测问题，其中视频用从元数据中提取的文本特征来表示。但是，元数据是由用户手动标注的，通常用于在线视频。为了以较低的标注成本训练一个有效的推荐系统，我们提出了一种主动学习的方法来充分利用视频的视觉视图（visual view），同时尽可能少从文本视图（text view）中查询注释信息。一方面，我们提出了一个联合模型来学习视觉视图到文本视图的映射，同时对两个视图进行对齐，最大限度地减少分类损失。另一方面，提出了一种基于预测不一致性和观看频率的新策略来主动选择最重要的视频进行元数据查询。通过对分类数据集和实际视频推荐任务的实验，验证了该方法能够显著降低标注成本。

论文地址 ：

https://www.ijcai.org/proceedings/2019/0284.pdf

Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network

大多数推荐研究都集中在向用户推荐单个项目上，例如对用户与项目之间的交互建模的协同过滤方面的大量工作。然而，在许多现实世界中，该平台需要向用户展示一组项目，例如，将多个项目作为一个捆绑出售的营销策略。在本工作中，我们考虑向用户推荐一组项目，即Bundle Recommendation任务，该任务涉及用户与一组项之间的交互建模。我们提出了一个名为深度注意力多任务模型（Deep Attentive Multi-Task, DAM）的神经网络解决方案，它的特点是有两个特殊的设计：1)设计了一个因式分解的注意力网络，将项目嵌入表示聚合到一个批（bundle）中，以获得批的表示；2)以多任务的方式对用户批交互和用户项目交互进行联合建模，以缓解用户批交互的稀缺性。在一个真实的数据集上进行的大量实验表明，DAM的性能优于现有的解决方案，验证了我们的注意力设计和多任务学习在DAM中的有效性。

论文地址：

https://www.ijcai.org/proceedings/2019/0290.pdf

Co-Attentive Multi-Task Learning for Explainable Recommendation

尽管应用很普遍，但推荐系统仍然主要是黑匣子。最近，提供关于为什么推荐项目的解释已经引起越来越多的关注，因为它能够增强用户的信任和满意度。本文提出了一种可解释推荐的多任务协同学习模型。我们的模型通过充分利用推荐任务与解释任务之间的相关性，提高了推荐的预测精度和解释能力。具体地，我们设计了一种由人类信息处理模型在认知心理学中产生灵感的编码器-选择器-解码器结构。我们还提出了一个分层协同注意力选择器来有效地建模两个任务中传递的交叉知识。该模型不仅提高了推荐任务的预测精度，而且生成了流利、有用、高度个性化的语言解释。在三个公共数据集上的实验证明了我们的模型的有效性。

论文地址：

https://www.ijcai.org/proceedings/2019/0296.pdf

Recommending Links to Maximize the Influence in Social Networks

社交链接推荐系统，如Facebook上的“你可能知道的人”、推特上的“追踪者”和Instagram上的“推荐账户”，都有助于社交网络的用户与其他用户建立新的联系。虽然这些系统在社交媒体的发展中变得越来越重要，但它们往往会增加已经流行的用户的受欢迎程度。事实上，由于链接推荐人的目的是预测用户的行为，它们加快了可能在未来创建的链接，推荐系统并不趋向于推荐不流行的用户，因此造成用户很少有机会与他人简历新的联系并增加他们受欢迎的程度。

本文利用用户的社会影响(即影响他人意见的能力)来衡量用户的受欢迎程度，并提出了一种链接推荐算法，该算法根据链接在社会影响力中的增量来评估，而不是根据链接被创建的可能性。详细地说，我们给出了一种常数因子近似算法（constant factor approximation algorithm），通过推荐一定数量的新链接来最大化给定目标用户的社会影响。实验表明，该算法在新链路少、计算时间短的情况下，能够极大地提高目标用户的社会影响。我们将我们的算法与几个baselines进行了比较，结果表明，该算法在增加影响力方面是最有效的算法。

论文地址：

https://www.ijcai.org/proceedings/2019/0304.pdf

Sequential and Diverse Recommendation with Long Tail

序列推荐任务学习序列数据中用户行为的时间动态，并预测用户随后想要交互的项目。然而，多样性很少在序列推荐中得到重视。序列型和多样性推荐必须学习对不同项目和一般项目的短期偏好。因此，我们提出了一个序列的、多样的推荐模型，它可以预测包含一般项目和不同项目的排序列表，而不影响准确性。为了学习对不同项目和一般项目的短期偏好，我们对长尾项目进行聚类和重新定位，为不同的项目建立pseudo ground truth，并利用递归神经网络学习长尾偏好，使我们能够直接学习排序函数。在商业平台上进行的在线和离线实验表明，与最先进的序列推荐模型相比，我们的模型显著增加了多样性，同时保持了准确性，从而提高了用户满意度。

论文地址：

https://www.ijcai.org/proceedings/2019/0380.pdf