AAAI2020推荐系统论文集锦(附发展趋势分析)

前言

最近整理了AAAI2020会议中关于推荐系统的论文，同时通过代码分析了下所接收论文的标题，发现了一些研究的热点以及趋势。

概述

通过对所接收的1590篇论文的标题进行分析，发现以下结论：

• 大部分的论文所用到的技术多为Neural Network(128)相关的；

• 大部分的文献聚焦在以下几个关键技术。比如Embedding(51), Attention(49), Adversarial(74), Reinforcement(49), Convolutional(42), Recurrent(16)等；

• 主要面向的研究任务有分类、回归、识别、追踪等，其中推荐的比重所占也不小。比如Classification(50), Regression(15), Prediction(39), Recognition(52), Tracking(20), Segmentation(28), Translation(32), Recommendation(21)等；

• 所研究的数据不仅关注准确性，关注指标更加多样化。比如Efficient(59), Robust(30), Dynamic(29), Adaptive(29), Hierarchical(26)，；

• 论文研究所用到的数据以图为主，视频、图像、文本比重相当。比如Graph(128), Video(35), Image(59), Heterogeneous(16), Text(35), Social(20)。

    *其中括号里的数字表示出现次数。

推荐相关的文章

特此从1590篇论文中筛选出与推荐相关的27篇文章供大家提前阅读，提前领略牛人的最新想法。

• PEIA:  Personality  and  Emotion  Integrated  Attentive  Model  for  Music  Recommendation  on  Social  Media.

• Where  to  Go  Next:  Modeling  Long-and  Short­‐Term  User  Preferences  for  Point-­of‐Interest  Recommendation.

• A  Knowledge-­Aware  Attentional  Reasoning  Network  for  Recommendation.

• Enhancing  Personalized  Trip  Recommendation  with  Attractive  Routes.

•  Efficient  Heterogeneous  Collaborative  Filtering  without  Negative  Sampling  for  Recommendation.

• An  Attentional  Recurrent  Neural  Network  for  Personalized  Next  Location  Recommendation.

• Memory  Augmented  Graph  Neural  Networks  for  Sequential  Recommendation.

• Leveraging  Title-Abstract  Attentive  Semantics  for  Paper  Recommendation.

• Diversified  Interactive  Recommendation  with  Implicit  Feedback.

• Question-­driven  Purchasing  Propensity  Analysis  for  Recommendation.

• Sequential  Recommendation  with  Relation-­Aware  Kernelized  Self-­Attention.

• Incremental  Fairness  in  Two­‐Sided  Market  Platforms:  On  Smoothly  Updating  Recommendations.

• Attention‐guide  Walk  Model  in  Heterogeneous  Information  Network  for  Multi-­style  Recommendation.

• Table2Analysis:  Modeling  and  Recommendation  of  Common  Analysis  Patterns  for  Multi-­Dimensional  Data.

• Symmetric  Metric  Learning  with  Adaptive  Margin  for  Recommendation.

• Multi-­Feature  Discrete  Collaborative  Filtering  for  Fast  Cold-­start  Recommendation.

• Towards  Comprehensive  Recommender  Systems:  Time-­Aware  Unified  Recommendations  Based  on  Listwise Ranking of Implicit Cross-Network Data.
  

• Fast  Adaptively  Weighted  Matrix  Factorization  for  Recommendation  with  Implicit  Feedback.

• Towards  Hands‐free  Visual  Dialog  Interactive  Recommendation.

• Contextual-­Bandit  Based  Personalized  Recommendation  with  Time-­Varying  User  Interests.

• Stochastically  Robust  Personalized  Ranking  for  LSH  Recommendation  Retrieval.

• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach.
• Multi-Component Graph Convolutional Collaborative Filtering.
• Deep Match to Rank Model for Personalized Click-Through Rate Prediction.
• Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution.
• Improved Algorithms for Conservative Exploration in Bandits.
• Linear Bandits with Feature Feedback.
  

总结

随着推荐系统的重要性越来越大，研究推荐的人逐渐在增多；随着工业界所产生的用户数据越来越多，工业界研究推荐的优势也越来越大。此次会议上出现了许多推荐的应用，比如音乐推荐、兴趣点推荐、旅游推荐、论文推荐等；同时也有相关的研究放到冷启动、推荐效率等问题上。