【CIKM2019教程】新加坡国立大学:基于图学习与推理的推荐系统,附133页ppt

导读
新加坡国立大学三位学者在国际会议CIKM2019上完成题为“Learning and Reasoning on Graph for Recommendation”的大会报告。在本教程中,作者将从图学习的角度重新讨论推荐问题。随着最近图神经网络(GNNs)的成功,基于图的模型显示出其作为下一代推荐系统的技术潜力。本教程提供了基于图学习的回顾。


作者 | Xiang Wang, Xiangnan He, Tat-Seng Chua
编译 | Xiaowen


作者简介


Xiang Wang 王翔


王翔现在是新加坡国立大学计算机学院的研究人员。他的研究兴趣包括信息检索、数据挖掘和可解释的人工智能,特别是在推荐系统、图学习和社交媒体分析方面。此外,他还曾担任包括SIGIR和MM在内的顶级会议的PCmember,以及包括TKDE、TOIS、TKDD和TIST在内的著名期刊的特邀评审。


个人主页:
https://xiangwang1223.github.io/



Xiangnan He 何向南


何向南的研究方向是信息检索、数据挖掘和多媒体分析,目前已发表60余篇学术研究工作,如SIGIR、WWW、KDD和MM等学术会议,以及包括TKDE、TOIS和TMM在内的学术期刊。何博士在推荐系统方面的工作获得WWW 2018和ACM SIGIR 2016年度最佳论文奖的荣誉提名。此外,何博士还担任过几个顶级会议的高级PCmember,包括SIGIR、WWW、KDD和MM等,以及TKDE、TOIS和TMM等期刊的评审。

个人主页:
http://staff.ustc.edu.cn/~hexn/


Tat-Seng Chua 蔡达成


蔡达成是新加坡国立大学计算机学院的教授。他的主要研究方向是多媒体信息检索和社交媒体分析。他的研究重点是从网络(web)和社交网络中产生的文本、视频和实时媒体的提取、检索和问答。蔡教授是2015年ACM SIGMM技术成就奖的获得者。他组织并担任了计算机图形学、多媒体和文本处理领域的许多国际会议的程序委员会成员。他是ACM多媒体2005、ACMCIVR2005、ACMSIGIR2008和ACMWebScience2015的会议共同主席。


个人主页:
https://www.comp.nus.edu.sg/cs/bio/chuats/



推荐系统方法构造预测模型来估计用户-项交互的可能性。以前的模型大多遵循一种普遍的监督学习模式--将每个交互看作一个单独的数据实例,并根据“信息孤岛”进行预测。然而,这些方法忽略了数据实例之间的关系,这可能导致性能不佳,特别是在数据稀疏的情况下。此外,建立在单独数据实例上的模型很难展示推荐背后的原因,这使得推荐过程难以理解。 

在本教程中,我们将从图学习的角度重新讨论推荐问题。常用的推荐数据源可以组织成图,如用户-项目交互(二部图)、社交网络、项目知识图(异构图)等。这样一个基于图的组织将孤立的数据实例连接起来,从而为利用高阶连接带来好处,这些连接为协同过滤、基于内容的过滤、社会影响建模和知识感知推理编码了有意义的模式。随着最近图神经网络(GNNs)的成功,基于图的模型显示出其作为下一代推荐系统的技术潜力。本教程提供了基于图学习的回顾。


               目录
1. 简介
2. 第一部分:推荐系统介绍
3. 第二部分:推荐系统随机游走
4. 第三部分:推荐系统的网络嵌入(Network embedding)
5. 第四部分:推荐系统的图神经网络



完整PPT下载:

请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“NUSREC2019” 就可以获取本文完整PPT下载链接~ 



无处不在的个性化推荐:电子商务中、内容共享平台、社交媒体网络等等……

推荐系统的价值:




由于篇幅有限,本文仅截取部分PPT内容,完整内容请下载Slides查看。



篇幅有限,剩余内容请下载Slides查看。


完整PPT下载:

请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“NUSREC2019” 就可以获取本文完整PPT下载链接~ 


-END-
专 · 知


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,获取更多AI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专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加),获取专知VIP会员码,加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,了解注册成为专知VIP会员
展开全文
Top
微信扫码咨询专知VIP会员