经典！工业界深度推荐系统与CTR预估必读的论文汇总

（图片付费下载自视觉中国）

来源 |  深度传送门（ID: gh_5faae7b50fc5）

导读： 本文是 “深度推荐系统”专栏的第十一篇文章，这个系列将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。 本文主要根据Google推出的引领推荐系统与CTR预估工业界潮流至今的一大神作W&D[1]，所总结出来的深度推荐系统与CTR预估工业界必读的论文汇总。  

起初是因为在唐杰老师的微博上看到其学生整理的一个关于Bert论文高引用相关的图片（https://weibo.com/2126427211/I4cXHxIy4）。

一个伟大的学生做的一个BERT的论文以及它引用的文章之间的关系，相当于是一个针对论文Citation的Finding->Reasoning->Exploring的过程。 感觉做得很酷，忍不住share出来了。 。 。 他伟大的决定要写个算法自动搞定！

觉得这个整理思路不错，于是也照葫芦画瓢整理了一下推荐系统和CTR预估上工业界同样鼎鼎大名Google出品的W&D[1]论文相关高引用的论文汇总。其实主要是对近年来推荐系统和CTR预估工业界影响力较大的论文做一个简单的思路梳理，首先上图如下，圆圈内数字为论文被引用数量。

Collaborative Filtering

• [WWW 17] Neural Collaborative Filtering

• [SIGIR 18] Collaborative Memory Network for Recommendation Systems

Deep部分演进

• [SIGIR 17] Neural Factorization Machines for Sparse Predictive Analytics
• [IJCAI 17] Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks
• [ECIR 16] Factorization-supported Neural Network
• [TOIS 18] Product-Based Neural Networks for User Response Prediction over Multi-Field Categorical Data
• [RecSys 19] FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction
• [KDD 18] Deep Interest Network for Click-through Rate Prediction
• [AAAI 19] Deep Interest Evolution Network for Click-Through Rate Prediction
• [IJCAI 19] Deep Session Interest Network for Click-Through Rate Prediction
• [CIKM 19] AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks

Wide部分演进

• [IJCAI 17] DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
• [KDD 17] Deep & Cross Network for Ad Click Predictions
• [KDD 18] xDeepFM: Combining Explicit and Implicit Feature Interactions
• for Recommender Systems
• [WWW 19] Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction

强化学习

• [WWW 17] DRN: A Deep Reinforcement Learning Framework for News Recommendation
• [WSDM 19] Top-K Off-Policy Correction for a REINFORCE Recommender System
• [IJCAI 19] Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology

知识图谱

• [WWW 17] DKN: Deep Knowledge-Aware Network for News Recommendation
• [CIKM 18] RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

Embedding技术

• [ICCCA 18] Item2Vec-Neural Item Embedding for Collaborative Filtering
• [RecSys 16] Meta-Prod2Vec: Product Embeddings Using Side-Information for Recommendation
• [KDD 18] Real-time Personalization using Embeddings for Search Ranking at Airbnb
• [KDD 18] Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
• [WWW 19] NetSMF: Large-Scale Network Embedding as Sparse Matrix Factorization
• [IJCAI 19] ProNE: Fast and Scalable Network Representation Learning

参考文献

[1] Wide & Deep Learning for Recommender Systems, DLRS 2016

(*本文为AI科技大本营转载文章，转载请联系原作者)

◆

精彩推荐

◆

2019 中国大数据技术大会（BDTC）历经十一载，再度火热来袭！豪华主席阵容及百位技术专家齐聚，15 场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。【早鸟票】与【特惠学生票】限时抢购，扫码了解详情！

推荐阅读

• “含光”剑出，谁与争锋？阿里重磅发布首颗AI芯片含光800

• 不止于刷榜，三大CV赛事夺冠算法技术的“研”与“用”

• 干货 | OpenCV看这篇就够了，9段代码详解图像变换基本操作

• 周杰伦的《说好不哭》，20万点评Python来分析

• 算法人必懂的进阶SQL知识，4道面试常考题

• 6张拓扑图揭秘中心化交易所的5种行为, 原来中心化比你想象的重要

• TDD 就是个坑

• 厉害！接班马云的为何是张勇？

你点的每个“在看”，我都认真当成了喜欢