【IJCAI2019】Part.2:10篇推荐系统相关论文阅读

2019 年 8 月 26 日 专知


导读

本文继续简要介绍10篇IJCAI2019会议最新推荐算法相关论文,涉及session-based推荐,序列推荐,异构网络HIN,图神经网络,对抗学习算法等。


编译 | Xiaowen



01



Correlation-Sensitive Next-Basket Recommendation


用户与项目的交互可以视为用户的潜在兴趣。我们关注的是通过观察到的序列来了解这些偏好。由于通常同时采用多个项目,例如,一篮子杂货或一些媒体消费,因此我们将一个basket的序列作为输入,推荐下一个basket。直观地讲,basket往往包含支持特定需求的相关物品组。我们假设,将项目之间的成对相关性信息纳入将有助于得出更一致的推荐,而不是为下一个basket单独推荐项目。为实现这一目标,我们开发了一种分层网络架构Beacon以建模basket序列。通过考虑项目的相对重要性和项目对之间的相关性对每个basket进行编码。对三个公开真实生活数据集的大量实验展示了我们的方法对于下一个basket推荐问题的有效性。

论文地址
https://www.ijcai.org/proceedings/2019/0389.pdf


02



A Review-Driven Neural Model for Sequential Recommendation

对购买的项目的写评论是在电子商务中表达用户意见的独特渠道。近来,已经提出了许多基于深度学习的解决方案,通过利用用户评论来进行评分预测。相反,很少有人试图利用由用户评论所涵盖的语义信号来完成协同过滤的任务。本文通过考虑用户“内在偏好(长期)”和“序列模式”(短期),提出了一种新的基于评论驱动的神经序列推荐模型(简称RNS)。详细地说,RNS被设计成用从评论中提取的aspect-aware的表示来编码每个用户或项目。给出用户的历史购买商品序列,设计了一种新的层次关注机制,用于在联合级(union-leave了)和独立级(individual-level)捕获序列模式。在三个不同领域的真实世界数据集上进行的广泛实验表明,相对于最新的最先进的序列推荐模型,RNS获得了显著的性能改进。

论文地址
https://www.ijcai.org/proceedings/2019/0397.pdf


03



DMRAN: A Hierarchical Fine-Grained Attention-Based Network for
Recommendation

用于下一个项目推荐的常规方法通常基于RNN或具有时间编码的一维注意力模型。它们很难保留不同交互之间的长期依赖关系,或者很难捕获细粒度的用户偏好。本文提出了一个双最相关的注意力网络(Double Most Relevant Attention Network,DMRAN),它包含两个层,项目级注意力层和特征级自注意力层,即从用户的历史行为序列中提取最相关的项目,并分别提取相关项目中最相关的方面(aspects)。然后,我们可以捕获细粒度的用户偏好,以便更好地支持下一项推荐。在两个真实世界的数据集上进行的广泛实验表明,与最先进的方法相比,DMRAN可以提高推荐的效率和有效性。

论文地址
https://www.ijcai.org/proceedings/2019/0513.pdf


04



Modeling Multi-Purpose Sessions for Next-Item Recommendations
via Mixture-Channel Purpose Routing Networks

一个基于会话的推荐系统 (session-based RS, SBRS) 通session中项之间的依赖关系建模来推荐下一个项目。大多数现有的 SBRS 假设一个session中的项与一个 (隐式)目的相关联。然而,这在现实中可能并不总是正确的,一个session通常可能由不同目的项目的多个子集组成(例如早餐和装饰)。具体来说,子集中的项目(例如面包和牛奶) 具有很强的特定目的依赖性,而来自不同子集的项目 (例如面包和花瓶)由于目的的不同而具有弱得多的依赖性,甚至没有依赖性。因此,我们提出了一种混合信道(mixture-channel)模型,以适应多目的项目子集,以便更精确地表示session。为了解决现有SBRS中的缺陷,该模型推荐更多不同的项目以满足不同的目的。因此,我们设计了一种有效混合信道目的路由网络(mixture-channel purpose routing networks, MCPRNS),以检测每个项目的目的并将它们分配到相应的信道中。此外,设计了专用递归网络(purpose-specific recurrent network)来对每个通道内的项目之间的相关性进行建模。实验结果表明,基于推荐的准确性和多样性,MCPRN优于现有的方法。

论文地址
https://www.ijcai.org/proceedings/2019/0523.pdf


05



Unified Embedding Model over Heterogeneous Information Network for
Personalized Recommendation

大多数异构信息网络(HIN)的推荐模型基于具有元路径的用户和项目建模。然而,它们总是模型用户和在每个元路径下隔离的项目,这可能导致信息提取产生误导。此外,他们只考虑HINs在探索HINs过程中建模用户和项目时的结构特征,这可能会导致有用信息不可逆地丢失。为了解决这些问题,我们提出了一个基于HIN的统一嵌入模型,称为HueRec。我们假设在每个用户或项目的不同元路径下存在一些共同特征,并且使用来自所有元路径的数据来学习统一用户和项目表示。因此,利用元路径之间的相互关系来缓解单通道上的数据稀疏和噪声问题。与先探索HINs然后推荐的现有模型不同,我们将这两个部分合并成一个端到端的模型,以避免在初始阶段丢失有用的信息。此外,我们还将所有用户、项和元路径嵌入到相关的潜在空间中,因此我们可以测量用户对元路径的偏好,从而提高个性化推荐的性能。广泛的实验表明,hueRec的性能优于最先进的方法。

论文地址
https://www.ijcai.org/proceedings/2019/0529.pdf


06



Neural News Recommendation with Attentive Multi-View Learning

个性化的新闻推荐对于在线新闻平台来说是非常重要的,以帮助用户找到感兴趣的新闻并改善用户体验。新闻和用户表示学习对于新闻推荐至关重要。现有的新闻推荐方法通常基于单个新闻信息(例如,标题)来学习这些表示,这可能是不够的。本文提出了一种利用不同的新闻信息来学习用户和新闻的信息表达的神经新闻推荐方法。我们的方法的核心是一个新闻编码器和一个用户编码器。在新闻编码器中,我们提出了一种专注的多视点学习模型(attentive multi-view learning model),通过将标题、主体和主题类别看作不同的新闻视点来学习统一的新闻表示。此外,我们还将文字级和视图级的注意力机制应用于新闻编码器中,选择重要的词汇和视图来学习信息性新闻表示。在用户编码器中,我们根据用户浏览的新闻来学习用户的信息表示,并应用注意力机制选择信息新闻进行用户表示学习。在一个真实的数据集上进行的大量实验表明,我们的方法能够有效地提高新闻推荐的性能。

论文地址
https://www.ijcai.org/proceedings/2019/0536.pdf


07



PD-GAN: Adversarial Learning for Personalized Diversity-Promoting
Recommendation

本文提出了一种新的推荐模型-个性化多样性提升GAN(Personalized Diversity-promoting GAN,PD-GAN)。具体而言,对于每个用户,生成器通过从个性化的确定点过程(personalized Determinantal Point Process,DPP)核矩阵中进行序列抽样来推荐一组不同的相关项。该核矩阵由两个可学习的组件构成:多个项目的一般共现性和用户对项的个人偏好。为了学习第一部分,我们提出了一种新的使用训练对的成对学习范式,每个训练对由一组不同的项目和一组随机抽取的所有用户的观察数据组成。第二部分是通过针对判别器的对抗性训练来学习的,该判别器致力于从目标用户的观察数据中随机抽取推荐项目和ground truth之间的区别。实验结果表明,PD-GAN能更好地生成既多样又相关的推荐方案。

论文地址
https://www.ijcai.org/proceedings/2019/0537.pdf


08


Graph Contextualized Self-Attention Network for Session-based Recommendation

基于session的推荐是许多在线服务(比如电子商务、媒体流)中的一项关键任务。近年来,自注意力网络(SAN)在不使用递归或卷积网络的情况下,在各种序列建模任务中取得了显著的成功。然而,SAN缺乏在相邻项上存在的局部依赖关系,并且限制了它学习序列中项的上下文表示的能力。本文提出了一种利用图神经网络和自注意力机制进行session推荐的图上下文自注意力模型(GC-SAN)。在GC-SAN中,我们动态地构造了session序列的图结构,并通过图神经网络(GNN)捕获了丰富的局部依赖关系。然后,每个session通过应用自注意力机制来学习长期依赖关系。最后,每一个session被表示为全局偏好和当前兴趣的线性组合。在两个真实世界的数据集上进行的广泛实验表明,GC-SAN的性能始终优于最先进的方法。

论文地址
https://www.ijcai.org/proceedings/2019/0547.pdf


09



DARec: Deep Domain Adaptation for Cross-Domain Recommendation via
Transferring Rating Patterns

跨域推荐长期以来一直是推荐系统中的主要研究课题之一,近年来,人们提出了各种深度模型来进行跨域的知识迁移,但大多侧重于从辅助内容(如图像和评论文本)中提取抽象的可迁移特征,而评分矩阵本身中的模式很少被触及。本文在域自适应概念的启发下,提出了一种深度域自适应模型(DARec),该模型能够在不依赖任何辅助信息的情况下,从评分矩阵中提取和传递模式。我们在公共数据集上实证地证明了我们的方法在几种最先进的可供选择的跨域推荐模型中取得了最佳的性能。

论文地址
https://www.ijcai.org/proceedings/2019/0587.pdf


10



STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for
Recommender Systems

为了提高推荐系统的性能,特别是在冷启动场景中,我们提出了一种新的叠加重构图卷积网络(STAcked and Reconstructed Graph Convolutional Networks, STAR-GCN)体系结构。STAR-GCN采用了一堆GCN编解码器与中间监督相结合,以提高最终的预测性能。与one-hot编码节点输入的图卷积矩阵完成模型不同,我们的STAR-GCN学习低维用户和项的潜在因素作为输入,以抑制模型空间复杂度。此外,我们的STAR-GCN可以通过重构隐藏的输入节点嵌入来生成新节点的节点嵌入,这实质上解决了冷启动问题。此外,在对基于GCN的链路预测任务模型进行训练时,我们发现了一个标签泄漏问题(label leakage issue),并提出了一种避免该问题的训练策略。对多个评分数据集的实证结果表明,我们的模型在五分之四的数据集中取得了最先进的性能,并在冷启动场景中预测评分方面有了显著的改进。

论文地址
https://www.ijcai.org/proceedings/2019/0592.pdf
代码地址:
https://github.com/jennyzhang0215/star-gcn



-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!欢迎登录www.zhuanzhi.ai,注册登录专知,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),加入专知人工智能主题群,咨询技术商务合作~
专知《深度学习:算法到实战》课程全部完成!560+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!
点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程
登录查看更多
1

相关内容

近期必读的6篇顶会WWW2020【推荐系统】相关论文-Part3
专知会员服务
57+阅读 · 2020年4月14日
近期必读的5篇顶会WWW2020【推荐系统】相关论文-Part2
专知会员服务
68+阅读 · 2020年4月7日
近期必读的6篇AI顶会WWW2020【推荐系统】相关论文
专知会员服务
56+阅读 · 2020年2月25日
专知会员服务
84+阅读 · 2020年1月20日
必读的7篇 IJCAI 2019【图神经网络(GNN)】相关论文
专知会员服务
91+阅读 · 2020年1月10日
六篇 EMNLP 2019【图神经网络(GNN)+NLP】相关论文
专知会员服务
71+阅读 · 2019年11月3日
7篇必读ACM MM 2019论文:图神经网络+多媒体
新智元
43+阅读 · 2019年11月9日
实验室3篇论文被IJCAI 2019录用
inpluslab
12+阅读 · 2019年5月11日
赛尔推荐 | 第5期
哈工大SCIR
13+阅读 · 2018年4月4日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
6+阅读 · 2017年12月2日
Arxiv
5+阅读 · 2017年11月13日
Arxiv
5+阅读 · 2017年7月23日
VIP会员
相关VIP内容
近期必读的6篇顶会WWW2020【推荐系统】相关论文-Part3
专知会员服务
57+阅读 · 2020年4月14日
近期必读的5篇顶会WWW2020【推荐系统】相关论文-Part2
专知会员服务
68+阅读 · 2020年4月7日
近期必读的6篇AI顶会WWW2020【推荐系统】相关论文
专知会员服务
56+阅读 · 2020年2月25日
专知会员服务
84+阅读 · 2020年1月20日
必读的7篇 IJCAI 2019【图神经网络(GNN)】相关论文
专知会员服务
91+阅读 · 2020年1月10日
六篇 EMNLP 2019【图神经网络(GNN)+NLP】相关论文
专知会员服务
71+阅读 · 2019年11月3日
Top
微信扫码咨询专知VIP会员