IJCAI‘22 推荐系统论文梳理

目录

图网络

Debias

序列推荐

List-wise

协同过滤

POI

联邦学习


IJCAI 2022已公布录用论文:

Main Track Accepted Papers – IJCAI-ECAI 2022

对推荐系统相关论文进行梳理,部分论文未公开

图网络

1.【IJCAI 2022】RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation

论文链接:https://arxiv.org/abs/2205.14005

代码链接 :https://github.com/meettyj/RecipeRec

论文机构:圣母大学

论文分类:图网络

论文总结:现有的食谱推荐系统通常侧重于基于内容或协同过滤的方法,而忽略了更高阶的协同信号,例如用户、食谱和食品之间的关系结构信息。在本文中,作者基于图进行菜谱推荐问题,通过图建模将协同信号整合到菜谱推荐中。首先,作者介绍了 URI-Graph,这是一种新的大规模用户-食谱-配料图。然后,作者提出RecipeRec,一种用于食谱推荐的新型异构图学习模型,该模型可以通过具有分层注意力和ingredient set transformer的异构图神经网络来捕获食谱内容和协作信号。作者还引入了一种图对比增强策略,以自监督的方式提取信息图知识。最后,作者设计了一个推荐和对比学习的联合目标函数来优化模型。大量实验表明,RecipeRec 优于最先进的食谱推荐方法。数据集和代码会开源在https://github.com/meettyj/RecipeRec。

2.【IJCAI 2022】Heterogeneous Interactive Snapshot Network for Review-Enhanced Stock Profiling and Recommendation

论文链接:

论文机构:

论文分类:图网络

论文总结:

3.【IJCAI 2022】Self-supervised Graph Neural Networks for Multi-behavior Recommendation

论文链接:http://www.shichuan.org/doc/134.pdf

论文机构:北邮石川老师团队。

论文分类:图网络+多行为推荐

论文总结:传统推荐系统通常仅聚集于利用目标用户的一种行为(例如购买),而忽略其他辅助行为(例如点击、加购)。多行为推荐的早期工作往往强调多种行为之间的差异,即它们旨在通过区分不同的行为来提取有用的信息。然而,它们之间的共性在很大程度上被忽略了,这种共性反映了用户对与不同行为相关的商品的共同偏好。同时,多行为推荐仍然受到有限监督信号问题的严重影响。在本文中,作者提出了一种新型自监督图协同过滤模型用于多行为推荐的,称为 S-MBRec。具体来说,对于每个行为,作者使用GCN 来学习用户和商品的embeddings。然后作者设计一个监督任务,区分不同行为的重要性,以捕捉embeddings之间的差异。同时,作者提出了星型对比学习任务来捕捉目标和辅助行为之间的embedding共性,从而缓解监督信号的稀疏性,减少辅助行为之间的冗余,并提取最关键的信息。最后,作者联合优化上述两个任务。与SOTA相比,广泛的实验很好地证明了 S-MBRec 的有效性,其中最大改进可以达到 20%。

Debias

1.【IJCAI 2022】Towards Resolving Propensity Contradiction in Offline Recommender Learning

论文链接:https://arxiv.org/abs/1910.07295

论文机构:康奈尔和CyberAgent。

论文分类:Debias

论文总结:本文研究了在存在选择偏差的情况下从显式评分反馈中学习的离线推荐系统。当前有希望的偏差解决方案是逆倾向得分 (IPS, inverse propensity score) 估计。然而,现有的基于倾向的方法的性能可能会受到倾向估计偏差 (propensity estimation bias)的严重影响。事实上,以前大多数基于 IPS 的方法都需要一定量的完全随机缺失 (MCAR, missing-completely-at-random) 数据来准确估计倾向。这导致了严重的自相矛盾;IPS 在没有 MCAR 数据的情况下是无效的,尽管它最初只是从非随机缺失的反馈中( missing-not-at-random feedback)学习推荐器。为了解决这种倾向矛盾 (propensity contradiction),作者推导出了一个倾向无关的泛化误差边界 (propensity-independent generalization error bound ),并提出了一种新的算法通过对抗学习来最小化理论边界。本文的理论和算法不需要倾向估计过程 (propensity estimation procedure),从而可以在没有真实倾向信息 (propensity information)的情况下获得性能较好的分数预测器 (rating predictor)。大量实验表明,在没有 MCAR 数据的实际环境中,文中所提出的方法在评分预测和排序指标方面都优于一系列现有方法。

2.【IJCAI 2022】Trading Hard Negatives and True Negatives: A Debiased Contrastive Collaborative Filtering Approach

论文链接:https://arxiv.org/abs/2204.11752

论文机构:上交,腾讯

论文分类:Debias+协同过滤

论文总结:协同过滤(CF)作为一种标准的隐式反馈推荐方法,解决了大多数交互数据未被观察到的半监督学习问题。这种性质使得现有方法高度依赖挖掘负样本来提供正确的训练信号。然而,挖掘正确的负样本并不容易,在挖掘信息丰富的难负样本和避免错误之间面临tricky trade-off。作者设计了一种名为 Hardness-Aware Debiased Contrastive Collaborative Filtering (HDCCF) 的新方法来解决这一难题。它可以从两个方面充分探索难负样本:通过set-wise的目标自适应地锐化较难实例的梯度;通过新的采样策略隐式利用商品/用户频率信息。为了规避false negatives,本文开发了一种方法来提高负样本的可靠性,并证明目标是对true negative分布的采样进行无偏估计。大量实验证明了文中所提出的模型优于现有的 CF 模型和难负样本挖掘方法。

序列推荐

1.【IJCAI 2022】MLP4Rec: A Pure MLP Architecture for Sequential Recommendations

论文链接:https://arxiv.org/abs/2204.11510

论文机构:奥克兰、港城市、浙大;网易、字节

论文分类:序列推荐

论文总结:自注意力模型通过捕获用户-商品交互之间的序列依赖关系 (sequential dependencies among user-item interactions),在序列推荐中取得了SOTA。然而,它们依靠位置嵌入来保留序列信息,这可能会破坏商品嵌入的语义。此外,大多数现有工作都假设这种序列依赖性仅存在于商品嵌入中,而忽略了它们在商品特征中的存在。在这项工作中,作者基于 MLP 架构的最新进展提出了一种新颖的序列推荐系统(MLP4Rec),该系统对序列中商品的顺序自然敏感 (naturally sensitive to the order of items)。具体来说,我们设计了一个tri-directional fusion scheme,以连贯地捕获顺序、跨通道和跨特征相关性。大量实验证明了 MLP4Rec 在两个基准数据集上相比各种代表性baseline的有效性。相比现有自注意力方法,MLP4Rec 的简单架构也使得模型具有线性计算复杂度以及更少的模型参数。

2.【IJCAI 2022】Enhancing Sequential Recommendation with Graph Contrastive Learning

论文链接:https://arxiv.org/abs/2205.14837

论文机构:山大、南洋理工、阿里

论文分类:序列推荐

论文总结:序列推荐系统通过捕获用户的动态行为模式来预测他们的下一个交互行为。大多数现有的序列推荐方法仅利用单个交互序列的局部上下文信息,并仅基于商品预测损失来学习模型参数。因此,他们通常无法学习适当的序列表示。本文提出了一种新颖的推荐框架,即用于序列推荐的图对比学习(GCL4SR)。具体来说,GCL4SR 采用加权商品转移图(WITG, Weighted Item Transition Graph),基于所有用户的交互序列构建,为每次交互提供全局上下文信息,并削弱序列数据中的噪声信息。此外,GCL4SR 使用 WITG 的子图来增强每个交互序列的表示。本文还提出了两个辅助学习目标,以最大化 WITG 上相同交互序列产生的增强表示之间的一致性,并最小化 WITG 上由全局上下文增强的表示与原始序列的局部表示之间的差异。大量实验表明,GCL4SR 始终优于最先进的序列推荐方法。

List-wise

1.【IJCAI 2022】Discrete Listwise Personalized Ranking for Fast Top-N Recommendation with Implicit Feedback

论文链接:

论文机构:

论文分类:List-wise+Feedback

论文总结:

协同过滤

1.【IJCAI 2022】HCFRec: Hash Collaborative Filtering via Normalized Flow with Structural Consensus for Efficient Recommendation

论文链接:https://arxiv.org/abs/2205.12042

论文机构:浙大

论文分类:协同过滤

论文总结:用户-商品交互数据规模的不断增长,使得有效和高效的推荐系统变得具有挑战性。最近,基于哈希的协同过滤 (Hash-CF) 方法利用学习到的用户和物品的二进制表示的有效汉明距离来加速推荐。然而,Hash-CF 经常面临两个具有挑战性的问题,即对离散表示的优化和在学习的表征中保留语义信息。为了解决上述两个挑战,我们提出了 HCFRec,这是一种新颖的 Hash-CF 方法,用于有效和高效的推荐。具体来说,HCFRec 不仅创新地引入了归一化流 (normalized flow),通过有效地拟合提出的近似混合多元正态分布(approximate mixture multivariate normal distribution,一种连续但近似离散的分布)来学习最优哈希码,而且还部署了集群一致性保持机制 (deploys a cluster consistency preserving mechanism)来保持表示中的语义结构,以获得更准确的推荐。在六个真实世界数据集上进行的广泛实验证明了HCFRec 在有效性和效率方面与最先进的方法相比的优越性。

2.【IJCAI 2022】Trading Hard Negatives and True Negatives: A Debiased Contrastive Collaborative Filtering Approach

论文链接:https://arxiv.org/abs/2204.11752

论文机构:上交,腾讯

论文分类:Debias+协同过滤

论文总结:同Debias-2

POI

1.【IJCAI 2022】Modeling Spatio-temporal Neighbourhood for Personalized Point-of-interest Recommendation

论文链接:

论文机构:

论文分类:POI

论文总结:

2.【IJCAI 2022】Next Point-of-Interest Recommendation with Inferring Multi-step Future Preferences

论文链接:

论文机构:南洋理工

论文分类:POI

论文总结:

联邦学习

1.【IJCAI 2022】Poisoning Deep Learning based Recommender Model in Federated Learning Scenarios

论文链接:https://arxiv.org/abs/2204.13594

论文机构:浙大

论文分类:联邦学习

论文总结:近年来,针对推荐系统的各种攻击方法被提出,推荐系统的安全问题引起了相当大的关注。传统攻击试图通过毒化训练数据来向尽可能多的用户推荐目标商品。得益于保护用户隐私数据的特性,联邦推荐系统可以有效防御此类攻击。因此,有不少工作致力于开发联邦推荐系统。为了证明当前的联邦推荐仍然容易受到攻击,在这项工作中,我们探讨了在联邦学习场景中设计针对基于深度学习的推荐模型的攻击方法。具体来说,我们的攻击基于两种策略(即随机近似和难用户挖掘)为被操纵的恶意用户生成有毒梯度。大量实验表明,我们精心设计的攻击可以有效地毒化目标模型,并且攻击效果达到SOTA。

你可能感兴趣的:(推荐算法,深度学习,推荐算法)