论文快报 | 推荐系统领域最新研究进展

---

本文总结推荐系统领域2021年11月22日到2021年11月28日之间的最新研究进展，主要内容包括：

• Benchmark

• 对话推荐

• 跨域推荐

• 社交推荐

• 序列推荐

• Debias

• 强化学习+推荐

• Learning to Rank

• 对比学习+推荐

• 搜索

• 其他

Benchmark

• Arxiv 2021 | GRecX: An Efficient and Unified Benchmark for GNN-based Recommendation【本文提出了GRecX，一个开放源码的TensorFlow框架，以高效和统一的方式对基于GNN的推荐模型进行基准测试。GRecX包括用于构建基于GNN的推荐基准的核心库，以及流行的基于GNN的推荐模型的实现。】 https://github.com/maenzhier/GRecX

对话推荐

• HAI 2021 ｜ Key Qualities of Conversational Recommender Systems- From Users’ Perspective【目前还不清楚会话推荐系统(CRS)的哪些品质是决定CRS成功的关键。本文提出了一个模型来捕获会话推荐系统的关键品质及其相关的用户体验方面。我们的模型在推荐系统的四个主要用户体验维度中包含了对话的特征(如适应性、理解性、响应质量、融洽性、人性化等)：User Perceived Qualities, User Belief, User Attitudes, and Behavioral Intentions。根据心理测量建模方法，我们使用从在线用户研究会话音乐推荐系统收集的数据来验证组合指标。】

跨域推荐

• WSDM 2022 | RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation【跨领域推荐有助于缓解传统序列推荐系统中的数据稀疏问题。本文提出了RecGURU算法框架，以生成一个广义用户表示(GUR)。】

社交推荐

• ACM TIST 2021 | Federated Social Recommendation with Graph Neural Network【联邦学习+社交推荐+图卷积技术】

序列推荐

• Arxiv 2021 | Edge-Enhanced Global Disentangled Graph Neural Network for Sequential Recommendation【现有序列推荐研究无法发现和区分物品之间的各种关系，而这些关系可能是激发用户行为的潜在因素。本文提出了一种Edge增强的全局解纠缠图神经网络(EGD-GNN)模型来捕获物品之间的关系信息，用于全局物品表示和局部用户意图学习。在全局层面，我们在所有序列上构建一个全局链接图来建模物品关系。然后设计了一个信道感知的非纠缠学习层，将边缘信息分解为不同的信道，这些信道可以通过聚合来表示目标项与其邻居。在局部层面，我们应用一个变分自动编码器框架来了解当前序列的用户意图。】

Debias

• WSDM 2022 | It Is Different When Items Are Older: Debiasing Recommendations When Selection Bias and User Preferences Are Dynamic【现有的dibas的方法将selection bias当作static的，然而一个物品的受欢迎程度可能会随着时间的推移而急剧变化，而且用户的偏好也可能随着时间的推移而变化。我们从理论上证明，在动态场景中，选择偏差和用户偏好都是动态的，现有的去偏方法不再是无偏的。】

强化学习+推荐

• TKDE 2021 | Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation【本文提出了一种基于强化学习(Reinforcement Learning, TMER-RL)的时序元路径指导可解释推荐算法，该算法利用注意机制，在动态知识图谱上顺序地模拟动态用户-物品演化，实现可解释推荐。】

Learning to Rank

• TIOS 2021 ｜ Beyond Relevance Ranking: A General Graph Matching Framework for Utility-Oriented Learning to Rank【本文从图匹配的角度提出了一个通用框架U-rank+，用于从用户日志反馈进行learning-to-rank。】

对比学习+推荐

• Arxiv 2021 | Scaling Law for Recommendation Models: Towards General-purpose User Representations【本文提出的CLUE通过用户在多个服务中（如搜索、电商、新闻）的行为学习用户信息。然后，CLUE被转移到各种下游任务。】

搜索

• SIGIR 2021 | Group based Personalized Search by Integrating Search Behaviour and Friend Network【本文提出一个好友网络增强的个性化搜索模型，该模型根据用户的搜索行为和好友关系分别将用户划分为多个好友圈。】

• CIKM 2021 | 【本文提出了一种基于自监督学习(PSSL)的个性化搜索框架来增强数据表示。具体来说，我们采用对比抽样方法从查询日志中的用户行为序列中提取成对的自监督信号。】

其他

• Arxiv 2021 | Learning Explicit User Interest Boundary for Recommendation 【point-wise的方法对每个样本分别进行标签拟合，忽略了固有的排序特性。pair-wise的方法通过定性地最小化负样本-正样本的分数（），自然地获得了样本的排序，但训练效率较低。此外，这两种方法都难以明确地提供个性化的决策边界，以确定用户是否对不可见的物品感兴趣。为了解决这些问题，本文创新引入一个辅助得分做为每个用户的兴趣边界(User Interest Boundary，UIB)。也就是说,正样本的得分低于UIB；负样本的得分高于UIB。通过这种方式成功地实现了point-wise和pair-wise的混合损失，从而结合了两者的优点。】

• Arxiv 2021 | Quaternion-Based Graph Convolution Network for Recommendation【基于Quaternion空间的图卷积网络推荐模型】