ECAI2020推荐系统论文聚焦

目录

  • 前言

  • 推荐论文列表

  • 推荐阅读

前言

ECAI,全称为 European Conference on Artificial Intelligence,是欧洲主要的人工智能会议。

ECAI2020,第 24 届欧洲人工智能大会,此次会议共收到了 1443 篇有效论文,其中 1363 篇完整论文和 80 篇短论文,最终接收了 365 篇完整论文和 36 篇短文,接受率为 26.8%。

ECAI2020推荐系统论文聚焦_第1张图片

小磊试着将所接收的论文标题进行统计分析发现:

  • 深度模型仍然占据很大比例,比如关键字 Neural, Networks, Deep 等,其中很大一部分比重是由图卷积网络(Graph Convolutional Networks, GCN)贡献的,可见 GCN 仍然是研究的重点模型。

  • 更加关注数据和模型的动态性、效率等,比如 Multi,Dynamic,Efficient。

  • 以下技术仍然是研究者的首选,比如 Adversarial, Attention, Embedding 技术等。

  • 研究者主要关注在以下应用,比如 Detection, Reasoning, Prediction, Argumentation, Inference 等应用研究偏多。

ECAI2020推荐系统论文聚焦_第2张图片

(论文标题关键字可视化词云)

推荐论文列表

下面罗列下 ECAI2020 会议中的 7 篇推荐系统相关的论文。没错,就 7 篇,相比于 IJCAI 和 AAAI 这两个人工智能顶会论文数量是少了不少。

  1. Shallow Neural Models for Top-N Recommendation.

这篇论文是我比较感兴趣的,因为目前的推荐模型非深即宽,加深结构可以增加泛化能力,加宽结构可以提取交叉特征。因此大部分研究都是基于此展开的,要么加深网络,要么加宽网络。所以看到该论文题目,用于 TopN 推荐的浅神经网络,比较好奇是如何利用这样的浅层结构来打败复杂模型产生 SOTA 性能的,期待一读。

  1. Directional Adversarial Training for Recommender Systems.

这篇论文中,设计了一种对抗训练(DAT)策略,即在适当的限制下,用户和物品的嵌入向量都朝着其相似的邻居方向变化,通过将这种协同过滤信号作为扰动注入推荐系统模型的训练过程中的,使得模型的泛化效果得到了较大提升。

  1. Secure Social Recommendation based on Secret Sharing.

一篇基于密钥共享的社会化推荐论文,涉及到推荐系统中的安全与隐私问题,同样值得一读。

  1. Joint Modeling of Local and Global Behavior Dynamics for Session-based Recommendation.

一篇建模用户全局与局部行为动态性的基于会话的推荐系统。

  1. A Text-based Deep Reinforcement Learning Framework for Interactive Recommendation.

一篇用于交互式推荐的基于文本的深度强化学习框架论文。交互式推荐系统中的交互需要在迭代过程中进行优化,很自然的将强化学习技术引了进来。记得在知乎上回答过推荐系统现在/未来有哪些有趣/可做研究的应用场景?

当时的回答:可交互的推荐系统,我觉得会是未来比较有趣的研究方向之一。目前的推荐结果大多由平台和算法主导,用户比较被动,只能默默的接收着推荐引擎输送过来的推荐结果。推荐的过于单一或者推荐的不感兴趣,用户没有调优与反馈的权利。设计可交互的推荐系统不仅可以通过数据的迭代来更新推荐算法,还可以通过人机交互的方式帮着推荐算法来感知人们的感情色彩,使得推荐系统不仅能推断用户对于物品的喜好,还能感知用户对于推荐算法本身的调优方向。这样可以起到一个双向增强、协同优化的效果,推荐算法尽可能的推测用户的准确喜好,用户尽可能的给推荐系统输送准确数据和调优方向。使得两者形成一股凝聚力,而不是推荐系统本身费劲巴拉猜测用户喜欢啥。用户不主动,推荐系统就是瞎猜。

  1. On the Effectiveness of Social Proof Recommendations in Markets with Multiple Products.

在多种产品市场中关于社会证明的有效性的推荐,一篇关于社会化推荐论文,貌似没那么容易看懂。

  1. From mixture of longitudinal and non-gaussian advertising data to Click-Through-Rate prediction.

从纵向和非高斯广告混合数据到点击率预测。

你可能感兴趣的:(ECAI2020推荐系统论文聚焦)