深度学习推荐进展到哪了？看这份IJCAI2021《深度学习推荐系统：基础与进展》教程，附Slides

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。

https://lovvge.github.io/Forecasting-Tutorial-IJCAI-2021/

目录:

Introduction 导论 Fundamentals of Deep Recommender Systems 深度推荐系统基础 Reinforcement Learning for Recommender Systems 强化学习推荐系统 Graph Neural Networks for Recommendations 图神经网络推荐 Automated Machine Learning (AutoML) for Recommendations 自动机器学习推荐 Adversarial Attacks for Recommender Systems 推荐系统对抗攻击 Deep Recommendations: Future Directions (Trustworthy RecSys) 深度推荐未来