ICDE‘22推荐系统论文之Research篇

2022推荐系统论文梳理系列

  • 推荐系统相关顶会整理
  • AAAI'22推荐系统论文梳理
  • IJCAI'22 推荐系统论文梳理
  • ICML/ICLR'22 推荐系统论文梳理
  • WWW'22 推荐系统论文之序列推荐篇
  • WWW'22 推荐系统论文之多任务与对比学习篇
  • WWW'22 推荐系统论文之图神经网络篇
  • ACL/NAACL'22 推荐系统论文梳理
  • RecSys'22 推荐系统论文梳理
  • SIGIR'22 推荐系统论文之POI篇
  • SIGIR'22 推荐系统论文之序列推荐(长文)篇
  • SIGIR'22 推荐系统论文之序列推荐(短文)篇
  • SIGIR'22 推荐系统论文之对比学习篇
  • SIGIR'22 推荐系统论文之多样性篇
  • SIGIR'22 推荐系统论文之图网络篇
  • WSDM'22推荐系统论文梳理
  • ICDE'22 推荐系统论文之Research篇 (本文)

概述

ICDE' 22已公布录用论文,Research Track完整录用论文列表见

Accepted Research Track Papers – ICDE 2022

本文对其进行分类整理。按任务&场景划分,主要包括点击率预估[1, 2]、序列推荐[3]、会话推荐[4, 5]、跨域推荐[6]、POI推荐[7, 8]、论文推荐[9]、冷启动[6, 10]、可解释性[11]、O2O[12]等;按技术划分,主要包括图网络[5, 13, 14]、元学习[10]、对比学习[3]、度量学习[11]、联邦学习[15]、NAS[2]等。

论文解读

1. MISS: Multi-Interest Self-Supervised Learning Framework for Click-Through Rate Prediction

论文链接: https://arxiv.org/abs/2111.15068

论文机构: 华为、新国立、上交等

论文作者: Wei Guo (Huawei Noah's Ark Lab)*; Can Zhang (National University of Singapore); Zhicheng He (Huawei Noah's Ark Lab); Jiarui Qin (Shanghai Jiao Tong University); Huifeng Guo (Huawei Noah's Ark Lab); Bo Chen (Huawei Noah’s Ark Lab); Ruiming Tang (Huawei Noah's Ark Lab); Xiuqiang He (Huawei Noah's Ark Lab); Rui Zhang (ruizhang.info)

Session : Recommendation

论文分类: 点击率预估、多兴趣、自监督学习

论文总结: 点击率预估对于现代推荐系统至关重要。近年来,从早期的分解机到基于深度学习的模型,现有的点击率预估方法专注于捕获有用的特征交互或挖掘重要的行为模式。尽管有效,但我们认为这些方法存在标签稀疏(即用户-项目交互相对于特征空间高度稀疏)、标签噪声(即收集的用户-项目交互通常是嘈杂的)的风险,以及未充分利用领域知识(即样本之间的成对相关性)。

ICDE‘22推荐系统论文之Research篇_第1张图片

为了解决这些具有挑战性的问题,我们提出了一种新颖的多兴趣自监督学习(MISS,Multi-Interest Self-Supervised learning)框架,该框架通过兴趣级别的自监督信号增强了特征嵌入。在两个新的基于 CNN 的多兴趣提取器的帮助下,在充分考虑不同兴趣表示(逐点和联合)、兴趣依赖(短期和长期)以及兴趣相关性(项目间和项目内)下获取自监督信号。在此基础上,将对比学习损失进一步应用于兴趣表示的增强视图,有效地改进了特征表示学习。此外,我们提出的 MISS 框架可以用作现有点击率预估模型的“插件”组件,并进一步提高其性能。在三个大规模数据集上的大量实验表明,MISS 显著优于最先进的模型,AUC 高达 13.55%,并且与代表性的深度点击率预估模型具有良好的兼容性。

2. Memorize, factorize, or be naive: Learning optimal feature interaction methods for CTR Prediction

论文链接: https://www.ruizhang.info/publications/ICDE2022%20Memorize,%20Factorize,%20or%20be%20Naive%20-%20Learning%20Optimal%20Feature%20Interaction%20Methods%20for%20CTR%20Prediction.pdf

论文机构: 麦吉尔大学、华为

论文作者: Fuyuan Lyu (McGill University); Xing Tang (Huawei Noah's Ark Lab); Huifeng Guo (Huawei Noah's Ark Lab); Ruiming Tang (Huawei Noah's Ark Lab)*; Xiuqiang He (Huawei Noah's Ark Lab); Rui Zhang (ruizhang.info); Xue Liu (McGill University)

Session : Recommendation

论文分类: 点击率预估、NAS

论文总结: 点击率预估是商业推荐系统的核心任务之一。它旨在预测用户在给定用户和项目特征的情况下点击特定项目的概率。由于特征交互带来非线性,它们被广泛用于提高点击率预估模型的性能。因此,有效地建模特征交互在研究和工业领域都引起了广泛关注。当前的方法通常可以分为三类: (i) 简单方法,它不对特征交互进行建模,只使用原始特征; (ii) 记忆方法,通过明确地将它们视为新特征并分配可训练的嵌入来记忆特征交互; (iii) 分解方法,它学习原始特征的潜在向量,并通过分解函数对特征交互进行隐式建模。研究表明,由于不同特征交互的独特特性,仅通过其中一种方法对特征交互进行建模是次优的。为了解决这个问题,我们首先提出了一个名为 OptInter 的通用框架,它为每个特征交互找到最合适的建模方法。不同的最先进的深度 CTR 模型可以被视为 OptInter 的实例。为了实现 OptInter 的功能,我们还引入了一种自动搜索最佳建模方法的学习算法。我们对四个大型数据集进行了广泛的实验,包括三个公共数据集和一个私有数据集。实验结果证明了 OptInter 的有效性。因为我们的 OptInter 为每个特征交互找到了最佳建模方法,我们的实验表明 OptInter 将性能最佳的最先进的基线深度 CTR 模型提高了 2.21%。与同样优于基线的记忆方法相比,我们减少了高达 91% 的参数。此外,我们进行了多项消融研究,以研究OptInter 不同组件的影响。最后,我们对 OptInter 的结果进行了可解释的讨论。

3. Contrastive Learning for Sequential Recommendation

论文链接: https://arxiv.org/abs/2010.14395

论文机构: 北大、阿里

论文作者: Xu Xie (Peking University)*; Fei Sun (Alibaba Group); Zhaoyang Liu (Alibaba Group); Shiwen Wu (Peking University); Jinyang Gao (Alibaba Group); Jiandong Zhang (Alibaba Group); Bolin Ding (Data Analytics and Intelligence Lab, Alibaba Group); Bin Cui (Peking University)

Session : Recommendation

论文分类: 对比学习、序列推荐

论文总结: 序列推荐可以从用户的历史交互中捕捉他们的动态兴趣。尽管取得了成功,但我们认为这些方法通常依赖于序列预测任务来优化大量参数。他们通常遭受数据稀疏问题的困扰,这使得他们难以学习高质量的用户表示。

ICDE‘22推荐系统论文之Research篇_第2张图片

为了解决这个问题,我们提出了一种新颖的多任务模型,称为序列推荐对比学习 (CL4SRec)。 CL4SRec 不仅利用了传统的下一项预测任务,还利用对比学习框架从原始用户行为序列中获取自监督信号。因此,它可以提取更有意义的用户模式并进一步有效地对用户表示进行编码。此外,我们提出了三种数据增强方法来构建自监督信号。对四个公共数据集的广泛实验表明,CL4SRec 通过推断更好的用户表示,在现有基线上实现了最先进的性能。

4. Self-Supervised Dual-Channel Attentive Network for Session-based Social Recommendation

论文链接: 无

论文机构: 清华、腾讯

论文作者: Liuyin Wang (Tsinghua University)*; Xianghong Xu (Tsinghua Shenzhen International Graduate School, Tsinghua University); Kai Ouyang (Tsinghua University); Hai-Tao Zheng (Tsinghua University); Huanzhong Duan (WeChat Search Application Department, Tencent); Yanxiong Lu (WeChat Search Application Department, Tencent)

Session : Recommendation

论文分类: 会话推荐

5. Micro-Behavior Encoding for Session-based Recommendation

论文链接: https://arxiv.org/abs/2204.02002

代码链接: https://github.com/SamHaoYuan/EMBSR

论文机构: 华东师大、Blue Prism

论文作者: Jiahao Yuan (East China Normal University)*; Wendi Ji (East China Normal University); Dell Zhang (Blue Prism); Jinwei Pan (East China Normal University); Xiaoling Wang (East China Normal University)

Session : Recommendation

论文分类: 会话推荐、图网络

论文总结: 基于会话的推荐旨在根据先前记录的用户交互会话预测下一个推荐项目。大多数现有的会话推荐方法都侧重于对项目的转换模式进行建模。在这样的模型中,描述用户如何定位一个项目并在其上执行各种活动(例如,点击、加购和阅读评论)的所谓微行为被简单地忽略了。最近的一些研究试图将微观行为的顺序模式纳入会话推荐模型。然而,这些序列模型仍然无法有效地捕捉到微行为操作之间所有固有的相互依赖关系。在这项工作中,我们旨在系统地研究微观行为信息在会话推荐中的影响。具体来说,我们确定了两种不同的微观行为模式:“序列模式”和“二元关系模式”。为了建立用户微行为的统一模型,我们首先设计了一个多重图,通过图神经网络聚合来自不同项目的序列模式,然后利用扩展的自注意力网络来利用微行为的成对关系模式。对三个公共真实世界数据集的广泛实验表明,所提出的方法优于最先进的基线,并证实了这两种不同的微行为模式对会话推荐的有用性。

6. Cross-Domain Recommendation to Cold-Start Users via Variational Information Bottleneck

论文链接: https://arxiv.org/pdf/2203.16863

代码链接: https://github.com/cjx96/CDRIB

论文机构: 信工所、小米

论文作者: Jiangxia Cao (Institute of Information Engineering, Chinese Academy of Sciences)*; Jiawei Sheng (Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China); Xin Cong (Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China); Tingwen Liu (Institute of Information Engineering, CAS); Bin Wang (Xiaomi AI Lab)

Session : Recommendation

论文分类: 跨域推荐、冷启动

论文总结: 推荐系统已广泛部署在许多现实世界的应用程序中,但通常会受到长期存在的用户冷启动问题的困扰。作为一种有前途的方式,跨域推荐 (CDR)引起了人们的兴趣,其目的是将在源域中观察到的用户偏好转移到目标域中进行推荐。以前的跨域推荐方法主要通过遵循嵌入和映射 (EMCDR,Embedding and Mapping) 思想来实现目标,该思想试图学习映射函数以将预先训练的用户表示(嵌入)从源域迁移到目标域。然而,他们为每个域独立地预训练用户/项目表示,忽略同时考虑两个域交互。因此,有偏差的预训练表示不可避免地涉及特定于域的信息,这可能会对跨域传输信息产生负面影响。在这项工作中,我们考虑了跨域推荐任务的一个关键点:需要跨域共享哪些信息?为了实现上述想法,本文利用信息瓶颈(IB,information bottlenec)原理,提出了一种称为 CDRIB 的新方法来强制编码域共享信息的表示。为了得出无偏表示,我们设计了两个信息瓶颈正则化器来同时对跨域/域内用户-项目交互进行建模,从而 CDRIB 可以联合考虑两个域交互以进行去偏。通过附加的对比信息正则化器,CDRIB 还可以捕获跨域用户-用户相关性。通过这种方式,这些正则化器鼓励表示对域共享信息进行编码,从而能够直接在两个域中进行推荐。据我们所知,本文是第一个通过变分信息瓶颈为冷启动用户捕获域共享信息的工作。实证实验表明,CDRIB 在四个真实世界的跨域数据集上优于最先进的方法,证明了采用 CDR 信息瓶颈的有效性。

7. Time-sensitive POI Recommendation by Tensor Completion with Side Information

论文链接: 无

论文机构: 奥本大学、阿拉巴马大学伯明翰分校等

论文作者: Bo Hui (Auburn University)*; Da Yan (University of Alabama at Birmingham); Haiquan Chen (California State University, Sacramento); Wei-Shinn Ku (Auburn University)

Session : Recommendation

论文分类: POI推荐

8. Spatial-Temporal Interval Aware Sequential POI Recommendation

论文链接: 无

论文机构: 吉大、西工大

论文作者: En Wang (Jilin University); Yiheng jiang (Jilin University); Yuanbo Xu (Jilin University)*; Liang Wang (Northwestern Polytechnical University); Yongjian Yang (Jilin University)

Session : Recommendation

论文分类: POI推荐

9. Subspace Embedding Based New Paper Recommendation

论文链接: 无

论文机构: 山大、普渡大学

论文作者: Yi Xie (Shandong University)*; Wen Li (Shandong University); Yuqing Sun (Shandong University); Elisa Bertino (Purdue University)

Session : Data Mining and Knowledge Discovery 2

论文分类: 论文推荐

10. Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations

论文链接: https://arxiv.org/pdf/2204.00327

论文机构: 电子科大、悉尼科技大学、昆士兰大学

论文作者: Yan Zhang (University of Electronic Science and Technology of China)*; Changyu Li (University of Electronic Science and Technology of China); Ivor Tsang (University of Technology Sydney); Hui Xu (University of Electronic Science and Technology of China); Lixin Duan (University of Electronic Science and Technology of China); Hongzhi Yin (The University of Queensland); Wen Li (University of Electronic Science and Technology of China); Jie Shao (University of Electronic Science and Technology of China)

Session : Recommendation

论文分类: 元学习、冷启动

论文总结: 随着用户和项目的快速增加,冷启动问题对于提供准确的推荐越来越具有挑战性。大多数现有方法试图通过基于辅助信息的内容感知推荐和/或具有迁移学习的跨域推荐来解决棘手的问题,它们的性能通常受到极其稀疏的用户项目交互、不可用的辅助信息或非常有限的域共享用户的限制。最近,通过向标签添加噪声进行元增强的元学习器已被证明可有效避免过拟合,并在新任务中表现出良好的性能。受元增强思想的启发,在本文中,通过将用户对项目的偏好视为一项任务,我们提出了一种基于元学习的具有多个源域的多元化偏好增强框架(MetaDPA,Diverse Preference Augmentation)。 i) 在新的感兴趣域(称为目标域)中生成不同的评分,以处理稀疏交互情况下的过拟合,以及 ii) 通过元学习方案在目标域中学习偏好模型以减轻冷启动问题。具体来说,我们首先通过双条件变分自动编码器进行多源域自适应,并对潜在表示施加多域 InfoMax (MDI) 约束,以学习域共享和特定域的偏好属性。为了避免过度拟合,我们在解码器的输出上添加了互斥 (ME) 约束,以在给定内容数据的情况下生成不同的评级。最后,将这些生成的不同评分和原始评分引入元训练过程中,以学习偏好元学习器,从而在冷启动推荐任务上产生良好的泛化能力。对真实世界数据集的实验表明,我们提出的 MetaDPA 明显优于当前最先进的基线。

11. Enhancing Recommendation with Automated Tag Taxonomy Construction in Hyperbolic Space

论文链接: https://www.cs.emory.edu/~jyang71/files/taxorec.pdf

代码链接: https://github.com/Melinda315/TaxoRec

论文机构: 浙大、埃默里大学、蚂蚁等

论文作者: Yanchao Tan (Zhejiang University)*; Carl Yang (Emory University); Xiangyu Wei (Zhejiang University); Chaochao Chen (Zhejiang University); longfei li (Ant Financial Services Group); Xiaolin Zheng (Zhejiang University)

Session : Recommendation

论文分类: 度量学习、可解释性

论文总结: 网络上用户和项目之间的稀疏交互加剧了它们在推荐系统中的表示难度。现有方法利用标签来缓解数据稀疏问题,从而提高推荐的性能和可解释性。然而,直接使用项目标签无法充分利用数据中的层次关系,而且标签分类并不总是可用的。为此,我们提出了 TaxoRec 来联合自动构建标签分类并在双曲空间中准确地进行推荐。具体来说,我们首先利用双曲空间并通过表示感知评分函数和自适应聚类算法优化离散分类结构,并保留层次结构以实现可解释性;然后,我们提出在统一的双曲度量空间中捕获用户、项目和标签之间的复杂关系,其中定义了一种新颖的标签增强聚合机制和标签增强的用户和项目度量学习算法。在四个真实世界基准数据集上进行的大量实验表明,我们提出的 TaxoRec 框架带来了巨大的性能提升,在召回率和 NDCG 指标方面,与最先进的基线相比,实现平均 7.76% 的改进。富有洞察力的案例研究还表明,我们自动构建的标签分类法非常准确且可解释。

12. O2-SiteRec: Store Site Recommendation under the O2O Model via Multi-graph Attention Networks

论文链接: 无, https://www.youtube.com/watch?v=g7OBIF1vmiQ (YouTube讲解)

论文机构: 东南大学、里海大学、罗格斯大学

论文作者: Hua Yan (Southeast University)*; Shuai Wang (Southeast University); Yu Yang (Lehigh University); Baoshen Guo (Southeast University); Tian He (Southeast University); Desheng Zhang (Rutgers University)

Session : Recommendation

论文分类: O2O

13. Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks

论文链接: https://arxiv.org/pdf/2111.03344

代码链接: https://github.com/ziruizhu/SHGCN

论文机构: 清华、人大

论文作者: Zirui Zhu (Tsinghua University); Chen Gao (Tsinghua University)*; Xu Chen (Renmin University of China); Nian Li (Tsinghua University); Depeng Jin (Tsinghua University); Yong Li (Tsinghua University)

Session : Recommendation

论文分类: 社交推荐、图网络

论文总结: 将社交关系纳入推荐系统,即社交推荐,已在学术界和工业界广泛研究。虽然已经取得了许多有希望的结果,但现有方法大多假设社交关系可以同质地应用于所有项目,这对于用户实际多样化的偏好是不切实际的。在本文中,我们认为社交关系的影响应该是非同质的,即两个与社会相关的用户可能只对某些特定项目有相同的偏好,而对于其他产品,他们的偏好可能不一致甚至相互矛盾。受这个想法的启发,我们构建了一个新颖的社交推荐模型,将传统的成对的“用户-用户”关系扩展到“用户-项目-用户”的三重关系。为了很好地处理这种高阶关系,我们的框架基于超图。更具体地说,每个超边连接一个用户-用户-项目三元组,表示两个用户在项目上共享相似的偏好。我们开发了一个社交超图卷积网络(SHGCN 的缩写)来学习复杂的三元组社会关系。使用超图卷积网络,可以以更细粒度的方式对社交关系进行建模,更准确地描述真实用户的偏好,并有利于推荐性能。对两个真实世界数据集的广泛实验证明了我们模型的有效性。数据稀疏性研究和超参数研究进一步验证了我们模型的合理性。

14. Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation

论文链接: https://arxiv.org/abs/2109.02046,https://yankai-chen.github.io/files/ICDE22.pdf (PPT)

论文机构: 港中文、微软、CMU

论文作者: Yankai Chen (The Chinese University of Hong Kong)*; Yaming Yang (MSRA); Yujing Wang (MSRA); Jing Bai (Microsoft); Xiangchen Song (Carnegie Mellon University); Irwin King (The Chinese University of Hong Kong)

Session : Recommendation

论文分类: 知识图谱、图网络

论文总结: 为了缓解传统推荐系统的数据稀疏和冷启动问题,结合知识图谱(KGs)来补充辅助信息最近引起了相当大的关注。然而,在推荐模型中简单地集成知识图谱并不一定能保证提高推荐性能,甚至可能会削弱整体模型能力。这是因为这些知识图谱的构建独立于历史用户-商品的交互;因此,这些知识图谱中的信息可能并不总是有助于向所有用户推荐。在本文中,我们提出了具有个性化推荐协作指导的注意力知识感知图卷积网络(CG-KGR,attentive Knowledge-aware Graph convolutional networks with Collaborative Guidance for personalized Recommendation)。 CG-KGR 是一种新颖的知识感知推荐模型,通过我们提出的协作指导机制,可以对知识图谱和用户项目交互进行充分和连贯的学习。具体来说,CG-KGR 首先将历史交互封装为交互信息摘要,然后 CG-KGR 以此为指导,从知识图谱中提取信息,最终提供更精确的个性化推荐。我们针对两个推荐任务,即 Top-K 推荐和点击率 (CTR) 预测,对四个真实世界的数据集进行了广泛的实验。实验结果表明,CG-KGR 模型在 Top-K 推荐的 Recall 指标方面明显优于最近的 state-of-the-art 模型 1.4-27.0%。

15. FedRecAttack: Model Poisoning Attack to Federated Recommendation

论文链接: https://arxiv.org/pdf/2204.01499

代码链接: https://github.com/rdz98/FedRecAttack

论文机构: 浙大

论文作者: Dazhong Rong (Zhejiang University); Shuai Ye (Zhejiang University); Ruoyan Zhao (Zhejiang University); HonNing Yuen (Zhejiang University); Qinming He (Zhejiang University)*; Jianhai Chen (Zhejiang University)

Session : Federated Learning

论文分类: 联邦学习

你可能感兴趣的:(推荐算法,人工智能,深度学习,神经网络,推荐算法)