WSDM'22推荐系统论文梳理

2022年7月28日 537点热度 0人点赞 0条评论

环欢迎



图片

WSDM' 22已公布录用论文,接收159篇/投稿786篇,录用率为20.23% ,完整录用论文列表见

https://www.wsdm-conference.org/2022/accepted-papers/


@张小磊、@夏未眠等已在[1] [2]对论文进行简单整理,本文按照笔者的思路进行分类整理。按任务划分,主要包括序列推荐、会话推荐、点击率预估、跨域推荐、Debias、路径推荐、协同过滤、组推荐、公平性、E&E等;按技术划分,主要包括对比学习、对抗学习、强化学习、模仿学习、联邦学习、集成学习、因果推断、元学习、图网络等。


由于WSDM'22 很早就已公布,论文已存在较多解读,且论文较多,篇幅原因,本文仅对感兴趣的论文核心贡献进行梳理,后续针对单篇感兴趣的论文进行解读。


1. 论文解读-按任务划分
图片

序列推荐


Contrastive Learning for Representation Degeneration Problem in Sequential Recommendation

论文链接: https://arxiv.org/abs/2110.05730

论文机构: 昆士兰大学

论文分类: 序列推荐、对比学习

论文总结: 本文通过实证观察和理论分析研究了序列推荐中项目嵌入矩阵的表示退化问题。为了解决这个问题,提出了一种新颖的DuoRec 模型,该模型包含对比正则化,同时使用基于 Dropout 的模型级增强和有监督的正采样来构建对比样本。作者也针对表示退化问题分析了这个正则化项的属性。


Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce

论文链接: https://arxiv.org/abs/2110.11072

代码链接: 

https://github.com/urielsinger/Trans2D

论文机构: eBay研究院、本-古里安大学

论文分类: 序列推荐

论文总结: 在这项工作中,我们提出了一个新颖的观察列表推荐 (watchlist recommendation,WLR) 任务。WLR 任务是一种专门的序列推荐任务,需要在训练和预测期间考虑大量动态项目属性。为了处理这个复杂的任务,我们提出了 Trans2D——一种扩展的 Transformer 模型,它具有一种新颖的自注意力机制,能够处理二维数组数据(项目-属性)输入。Trans2D可以在给定序列中学习(并保留)复杂的用户偏好模式至预测时间。


会话推荐


S-Walk: Accurate and Scalable Session-based Recommendation with Random Walks

论文链接: https://arxiv.org/pdf/2201.01091

代码链接: https://github.com/jin530/SWalk

论文机构: 成均馆大学、NAVER株式会社、谷歌、首尔大学等

论文分类: 会话推荐

论文总结: 在这项工作中,我们提出了使用项目随机游走的会话推荐模型,称为S-Walk。为了弥补现有模型的缺点,我们利用带重启的随机游走来完全捕获会话的内部和相互关系,并将有效的线性项目模型(transition model and the teleportation model)纳入项目随机游走过程。


Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation

论文链接: https://arxiv.org/pdf/2107.03813

代码链接: https://github.com/0215Arthur/HG-GNN

论文机构: 同济大学、京东等

论文分类: 图网络、会话推荐

论文总结: 在本文中,我们提出了一种异构全局图神经网络,用于基于会话的个性化推荐。与以前的方法相比,我们考虑了用户历史交互的影响,并构建了一个由历史用户-项目交互、项目转换和全局共现信息组成的异构全局图。此外,我们提出了一种图增强混合编码器,由异构图神经网络和个性化会话编码器组成,以全面捕获用户偏好表示。


Learning Multi-granularity Consecutive User Intent Unit for Session-based Recommendation

论文链接:

https://www.atailab.cn/seminar2022Spring/pdf/2022_WSDM_Learning%20Multi-granularity%20Consecutive%20User%20Intent%20Unit%20for%20Session-based%20Recommendation.pdf

代码链接: 

https://github.com/SpaceLearner/SessionRec-pytorch

论文机构: 北大、微软亚研、CMU等

论文分类: 会话推荐

论文总结: 在本文中,我们研究了基于会话的推荐问题并提出了 MSGIFSR,这是一种提取不同会话中意图粒度信息的新模型。可以观察到,不同的连续组合意图粒度提供了更丰富的用户偏好,我们提出的 MIHSG 通过对粒度内和粒度间意图单元边缘进行建模,成功地捕获了多级连续意图单元和远程依赖关系之间的复杂偏好转换关系。此外,意图单元编码器机制同时考虑了一组擅长表示意图单元含义的项目的顺序变化和顺序不变关系。最后但同样重要的是,消融研究表明意图融合排名模块成功地整合了来自所有意图单元级别的推荐结果。


点击率预估


CAN: Feature Co-Action Network for Click-Through Rate Prediction

论文链接: https://arxiv.org/pdf/2011.05625

代码链接: 

https://github.com/CAN-Paper/Co-Action-Network

论文机构: 阿里、自动化所

论文分类: 点击率预估

论文总结: 在本文中,我们强调了特征交互建模的重要性,这是以前的工作没有充分探索的。受笛卡尔积的启发,我们使用专门设计的网络 Co-Action Network (CAN) 提出了一种新的特征交互范式。CAN 通过一个灵活的模块协同单元来解耦表示学习和特征交互建模。此外,在协同作用单元中引入了多阶增强和多级独立性,进一步提升了特征交互建模的能力。


Triangle Graph Interest Network for Click-through Rate Prediction

论文链接: https://arxiv.org/abs/2202.02698

代码链接: https://github.com/alibaba/tgin

论文机构: 阿里、复旦

论文分类: 图网络、点击率预估

论文总结: 在本文中,我们提出了一种新颖而有效的框架,称为三角图兴趣网络 (TGIN,Triangle Graph Interest Network),用于点击率预测任务。对于用户行为序列中的每个点击项目,我们在项目-项目图的邻域中引入三角形作为补充。TGIN 将这些三角形视为用户兴趣的基本单位,它们为捕捉用户点击项目的真正动机提供了线索。我们通过聚合几个兴趣单元的信息来描述用户行为,以缓解难以捉摸的动机问题。TGIN通过选择多样化和相对的三角形,为用户带来新颖和偶然的物品,以打破多样性限制,扩大探索机会。


Modeling Users’ Contextualized Page-wise Feedback for Click-Through Rate Prediction in E-commerce Search

论文链接: 

https://guyulongcs.github.io/files/WSDM2022_RACP.pdf

代码链接: 

https://github.com/racp-submission/racp

论文机构: 阿里、南大

论文分类: 点击率预估、搜索

论文总结: 本文提出在电子商务搜索排序中建模用户的上下文页面反馈用于 CTR 预估任务。我们提出将用户的行为组织为一系列页面反馈,并设计了一个 RACP 模型来捕捉用户的兴趣。RACP使用页面内上下文感知兴趣层 (Intra-page Context-aware Interest Layer)提取用户对每个页面的兴趣,并使用页面间兴趣回溯层 (Inter-page Interest Back-tracking Layer)捕获用户在会话中的动态兴趣,并使用页面级的兴趣聚合层 (Page-level Interest Aggregation Layer)聚合用户最终的兴趣向量。


跨域推荐


RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation

论文链接: https://arxiv.org/abs/2111.10093

代码链接: 

https://github.com/Chain123/RecGURU

论文机构: 阿尔伯塔大学、腾讯、中山大学

论文分类: 对抗学习、跨域推荐


Personalized Transfer of User Preferences for Cross-domain Recommendation

论文链接: https://arxiv.org/abs/2110.11154

代码链接: 

https://github.com/easezyc/WSDM2022-PTUPCDR

论文机构: 中科院计算所、北航、微信等

论文分类: 跨域推荐


Multi-Sparse-Domain Collaborative Recommendation via Enhanced Comprehensive Aspect Preference Learning

论文链接: https://arxiv.org/abs/2201.05973

论文机构: 川大、伊利诺伊大学芝加哥分校

论文分类: 跨域推荐


组推荐


Enumerating Fair Packages for Group Recommendations

论文链接: https://arxiv.org/abs/2105.14423

代码链接: https://github.com/joisino/fape

论文机构: 京都大学、RIKEN AIP

论文分类: 组推荐、公平性

论文总结: 在本文中,我们研究了公平的package-to-group推荐问题。我们提出枚举所有公平的packages而不是计算单个package。尽管枚举问题在计算上具有挑战性,但我们证明了它是关于group大小的 FPT,并提出了一种基于 ZDD 的有效算法。我们提出的算法不仅可以枚举packages,还可以通过交集操作过滤项目,通过线性布尔规划优化偏好,并均匀随机地采样packages。我们通过实验证实,我们提出的方法可以扩展到大型数据集,并且可以在合理的时间内枚举多达一万亿个packages。


Debias


It Is Different When Items Are Older: Debiasing Recommendations When Selection Bias and User Preferences are Dynamic

论文链接: https://arxiv.org/abs/2111.12481

代码链接: https://github.com/BetsyHJ/DANCER

论文机构: 阿姆斯特丹大学、奈梅亨大学

论文分类: Debias


Fighting Mainstream Bias in Recommender Systems via Local Fine Tuning

论文链接: 

http://people.tamu.edu/~zhuziwei/pubs/Ziwei_WSDM_2022.pdf

代码链接:

https://github.com/Zziwei/Measuring-Mitigating-Mainstream-Bias

论文机构: 德州农工大学

论文分类: Debias


Towards Unbiased and Robust Causal Ranking for Recommender Systems

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498521

论文机构: 宾夕法尼亚州立大学

论文分类: Debias


External Evaluation of Ranking Models under Extreme Position-Bias

论文链接:

https://assets.amazon.science/8b/3a/08b5ec784d2a98f867d506e4c8c1/external-evaluation-of-ranking-models-under-extreme-position-bias.pdf

论文机构: 亚马逊

论文分类: Debias


路径推荐


PLdFe-RR:Personalized Long-distance Fuel-efficient Route Recommendation Based On Historical Trajectory

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498512

论文机构: 山大、中南大学

论文分类: 路径推荐


协同过滤


Profiling the Design Space for Graph Neural Networks based Collaborative Filtering

论文链接: http://www.shichuan.org/doc/125.pdf

代码链接:

https://github.com/BUPT-GAMMA/Design-Space-for-GNN-based-CF

论文机构: 北邮、第四范式

论文分类: 图网络、协同过滤

论文总结: 在这项工作中,我们提出对近年来广泛研究的基于 GNN 的 CF 方法的设计空间进行分析。通过在统一的框架中覆盖现有的基于 GNN 的 CF 方法,开发了一种新颖的设计空间,并采用受控随机搜索来有效地评估不同维度对推荐性能的影响。此外,根据实证结果,通过排除一些在评估中显示为次优的设计选择来执行设计空间修剪。然后在不同设置下的实证研究证明了剪枝设计空间的高质量和强大的泛化能力。最后,作为一个案例研究,我们表明,与流行的 CF 方法相比,它可以通过随机搜索修剪的设计空间快速获得 2 个新数据集上性能最佳的模型架构。


On Sampling Collaborative Filtering Datasets

论文链接: https://arxiv.org/abs/2201.04768

代码链接: 

https://github.com/noveens/sampling_cf

论文机构: 加州大学圣地亚哥分校、Facebook

论文分类: 协同过滤

论文总结: 本文做出了三个主要贡献:(1)根据算法和数据集特征(例如稀疏特征、序列动态等)来描述采样对算法性能的影响;(2) 设计SVP-CF,这是一种特定于数据的采样策略,旨在保持采样后模型的相对性能,特别适用于长尾交互数据;(3) 开发一个oracle, Data-genie,它可以建议最有可能保留给定数据集的模型性能的采样方案。


VAE++: Variational AutoEncoder for Heterogeneous One-Class Collaborative Filtering

论文链接:

https://csse.szu.edu.cn/staff/panwk/publications/Conference-WSDM-22-VAEPlusPlus-Slides.pdf (PPT)

论文机构: 深大

论文分类: 协同过滤、VAE


公平推荐


Enumerating Fair Packages for Group Recommendations

论文链接: https://arxiv.org/abs/2105.14423

代码链接: https://github.com/joisino/fape

论文机构: 京都大学、RIKEN AIP

论文分类: 组推荐、公平推荐

论文总结: 在本文中,我们研究了公平的package-to-group推荐问题。我们提出枚举所有公平的packages而不是计算单个package。尽管枚举问题在计算上具有挑战性,但我们证明了它是关于group大小的 FPT,并提出了一种基于 ZDD 的有效算法。我们提出的算法不仅可以枚举packages,还可以通过交集操作过滤项目,通过线性布尔规划优化偏好,并均匀随机地采样packages。我们通过实验证实,我们提出的方法可以扩展到大型数据集,并且可以在合理的时间内枚举多达一万亿个packages。


Toward Pareto Efficient Fairness-Utility Trade-off in Recommendation through Reinforcement Learning

论文链接: https://arxiv.org/pdf/2201.00140

论文机构: 罗格斯大学、Etsy

论文分类: 公平推荐、强化学习


数据集


The Datasets Dilemma: How Much Do We Really Know About Recommendation Datasets?


论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498519

代码链接: 

https://github.com/almightyGOSU/TheDatasetsDilemma

论文机构: 南洋理工大学

论文分类: 数据集

论文总结: 由于推荐系统的重要性和实用性,多年来学术界和工业界都对此产生了持续的兴趣。然而,最近的几篇论文指出了推荐系统评估过程的关键问题。同样,本文深入研究了评估过程中一个基本但经常被忽视的方面,即数据集本身。为此,我们采用系统和全面的方法来理解用于基于隐式反馈的 top-K 推荐的数据集。我们首先检查来自顶级会议的最新论文,以了解迄今为止如何使用不同的数据集。接下来,我们看一下这些数据集的特征,以了解它们的异同。最后,我们进行了一项实证研究,以确定用于评估的数据集的选择是否会影响所获得的观察结果和/或结论。我们的研究结果表明,需要更多地关注用于评估推荐系统的数据集的选择过程,以提高所获得结果的稳健性。


E&E


Show Me the Whole World: Towards Entire Item Space Exploration for Interactive Personalized Recommendations

论文链接:

https://www.microsoft.com/en-us/research/uploads/prod/2021/12/wsdm2022-hcb.pdf

代码链接: https://github.com/yusonghust/HCB-pHCB

论文机构: 华科、微软亚研、美团

论文分类: E&E

论文总结: 在本文中,我们提出了一个用于整个空间用户兴趣探索的通用分层老虎机框架。具体来说,我们设计了两种算法,即 HCB 和 pHCB。HCB算法通过一系列决策任务来寻找从根到叶节点的路径,而pHCB则以自上而下的方式逐步扩展感受野来探索用户兴趣,更加灵活,也实现了比较满意的结果。通过固定树结构不变,我们假设这些项目在本文中是静态的。将提议的框架扩展到非静态设置会很有趣,这还没有得到很好的研究。


合约广告


An Adaptive Unified Allocation Framework for Guaranteed Display Advertising

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498500

论文机构: 阿里、田纳西大学

论文分类: 合约广告


异常情况消费者需求预测


Leveraging World Events to Predict E-Commerce Consumer Demand under Anomaly

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498452

论文机构: 以色列理工学院、本-古里安大学

论文分类: 异常情况消费者需求预测


Scope-aware Re-ranking


Scope-aware Re-ranking with Gated Attention in Feed

论文链接: 

https://dl.acm.org/doi/10.1145/3488560.3498403

论文机构: 蚂蚁、中科大

论文分类: Scope-aware Re-ranking


2. 论文解读-按技术划分
图片

对比学习


Contrastive Meta Learning with Behavior Multiplicity for Recommendation

论文链接: https://arxiv.org/abs/2202.08523

代码链接: https://github.com/weiwei1206/CML

论文机构: 港大、华南理工、百度等

论文分类: 对比学习、元学习

C2-CRS: Coarse-to-Fine Contrastive Learning for Conversational Recommender System

论文链接: https://arxiv.org/abs/2201.02732

代码链接: 

https://github.com/RUCAIBox/WSDM2022-C2CRS

论文机构: 人大、快手

论文分类: 对比学习、对话推荐


Contrastive Learning for Representation Degeneration Problem in Sequential Recommendation

论文链接: https://arxiv.org/abs/2110.05730

论文机构: 昆士兰大学

论文分类: 序列推荐、对比学习

论文总结: 本文通过实证观察和理论分析研究了序列推荐中项目嵌入矩阵的表示退化问题。为了解决这个问题,提出了一种新颖的DuoRec 模型,该模型包含对比正则化,同时使用基于 Dropout 的模型级增强和有监督的正采样来构建对比样本。作者也针对表示退化问题分析了这个正则化项的属性。


对抗学习


A Peep into the Future: Adversarial Future Encoding in Recommendation

论文链接: 

http://nlp.csai.tsinghua.edu.cn/~xrb/publications/WSDM-2022_AFE.pdf

代码链接: https://github.com/modriczhang/AFE

论文机构: 微信

论文分类: 对抗学习


RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation

论文链接: https://arxiv.org/abs/2111.10093

代码链接: 

https://github.com/Chain123/RecGURU

论文机构: 阿尔伯塔大学、腾讯、中山大学

论文分类: 对抗学习、跨域推荐


强化学习


Reinforcement Learning over Sentiment-Augmented Knowledge Graphs towards Accurate and Explainable Recommendation

论文链接: 

https://dl.acm.org/doi/10.1145/3488560.3498515

论文机构: 汉阳大学

论文分类: 强化学习、知识图谱、可解释性


A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising

论文链接: https://arxiv.org/pdf/2106.06224

代码链接: https://github.com/chaovven/maab

论文机构: 工信部模式识别与机器智能重点实验室、上交、阿里

论文分类: 强化学习、广告


Choosing the Best of All Worlds: Accurate, Diverse, and Novel Recommendations through Multi-Objective Reinforcement Learning

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498471

论文机构: 诺维·萨德大学、谷歌等

论文分类: 强化学习、多目标、多样性


Toward Pareto Efficient Fairness-Utility Trade-off in Recommendation through Reinforcement Learning

论文链接: https://arxiv.org/pdf/2201.00140

论文机构: 罗格斯大学、Etsy

论文分类: 公平推荐、强化学习

Supervised Advantage Actor-Critic for Recommender Systems

论文链接: https://arxiv.org/abs/2111.03474

论文机构: 山大、谷歌等

论文分类: 强化学习


模仿学习


Hierarchical Imitation Learning via Subgoal Representation Learning for Dynamic Treatment Recommendation

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498535

论文机构: 华东师大、华为

论文分类: 模仿学习


联邦学习


PipAttack: Poisoning Federated Recommender Systems for Manipulating Item Promotion

论文链接: https://arxiv.org/pdf/2110.10926

论文机构: 昆士兰大学、格里菲斯大学、山大

论文分类: 联邦学习


集成学习


Learning-To-Ensemble by Contextual Rank Aggregation in E-Commerce

论文链接: https://arxiv.org/pdf/2107.08598

论文机构: 阿里

论文分类: 集成学习、Rank Aggregation

论文总结: 我们提出了用于在线排序服务的 LTE 框架,并成功获得了可观的在线收入。LTE 框架具有可扩展性,可以部署以提高其他实际应用的收入。我们的 TournamentGreedy 不仅是经典测试中更好的 RA 模型,而且是第一个旨在优化在线收入而不是离线指标的上下文 RA 模型。它需要作为庞大在线系统的一部分,并且它的参数(排列权重)需要由 EGO 正确选择,因为 RA-EGO 框架可以工作。为了确保 RA 模型能够产生令人满意的排序,我们强调了 RA 模型表达能力的重要性,并提出了弱 PO 来有效地估计表达能力。RA-EGO 是工业 LTE 应用的开端。未来需要仔细研究应用RA模型和上下文BBO的更多理论。


因果推断


A Counter factual Modeling Framework for Churn Prediction

论文链接:

https://fi.ee.tsinghua.edu.cn/public/publications/06e56f1a-b627-11ec-93d7-0242ac120006.pdf

代码链接: 

https://github.com/tsinghua-fib-lab/CFChu

论文机构: 清华

论文分类: 因果推断


多任务&多目标


Leaving No One Behind: A Multi-Scenario Multi-Task Meta Learning Approach for Advertiser Modeling

论文链接: https://arxiv.org/abs/2201.06814

论文机构: 阿里

论文分类: 多场景、多任务、元学习、广告


Choosing the Best of All Worlds: Accurate, Diverse, and Novel Recommendations through Multi-Objective Reinforcement Learning

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498471

论文机构: 诺维·萨德大学、谷歌等

论文分类: 强化学习、多目标、多样性


元学习


Long Short-Term Temporal Meta-learning in Online Recommendation

论文链接: https://arxiv.org/abs/2105.03686

论文机构: 微信

论文分类: 元学习


Contrastive Meta Learning with Behavior Multiplicity for Recommendation

论文链接: https://arxiv.org/abs/2202.08523

代码链接: https://github.com/weiwei1206/CML

论文机构: 港大、华南理工、百度等

论文分类: 对比学习、元学习


Leaving No One Behind: A Multi-Scenario Multi-Task Meta Learning Approach for Advertiser Modeling

论文链接: https://arxiv.org/abs/2201.06814

论文机构: 阿里

论文分类: 多场景、多任务、元学习、广告


图网络


Joint Learning of E-commerce Search and Recommendation with A Unified Graph Neural Network

论文链接: 

https://dl.acm.org/doi/abs/10.1145/3488560.3498414

论文机构: 阿里

论文分类: 图网络

论文总结: 点击率(CTR)预测在搜索和推荐中发挥着重要作用,这是电子商务中最突出的两个场景。已经提出了许多模型来通过挖掘用户行为来预测 CTR,尤其是用户与项目的交互。但用户行为的稀疏性是提高点击率预测的障碍。以前的工作只关注一个场景,搜索或推荐。然而,在实际的电子商务平台上,搜索和推荐共享同一组用户和物品,这意味着两个场景的联合学习可以缓解用户行为的稀疏性。在本文中,我们提出了一种新颖的搜索和推荐联合图 (SRJGraph) 神经网络,以共同学习两种场景的更好 CTR 模型。联合学习的一个关键问题是如何在搜索和推荐之间有效地共享信息,尽管它们存在差异。搜索和推荐之间的一个显著区别是搜索中有明确的query,而推荐中不存在query。我们通过构建一个统一的图来解决这种差异,以在搜索和推荐中共享用户和项目的表示,并统一表示用户-项目的交互。在该图中,用户和项目是异构节点,搜索query作为属性并入用户-项目交互边。对于不存在query的推荐,在用户-项目交互边上附加一个特殊属性。我们进一步提出了一个意图和上游感知聚合器,以从用户和项目之间的高阶连接中探索有用的信息。我们对从中国最大的电子商务平台淘宝网收集的大规模数据集进行了广泛的实验。实证结果表明,SRJGraph 在搜索和推荐任务中都显着优于最先进的 CTR 预测方法。


Profiling the Design Space for Graph Neural Networks based Collaborative Filtering

论文链接: http://www.shichuan.org/doc/125.pdf

代码链接: 

https://github.com/BUPT-GAMMA/Design-Space-for-GNN-based-CF

论文机构: 北邮、第四范式

论文分类: 图网络、协同过滤

论文总结: 在这项工作中,我们提出对近年来广泛研究的基于 GNN 的 CF 方法的设计空间进行分析。通过在统一的框架中覆盖现有的基于 GNN 的 CF 方法,开发了一种新颖的设计空间,并采用受控随机搜索来有效地评估不同维度对推荐性能的影响。此外,根据实证结果,通过排除一些在评估中显示为次优的设计选择来执行设计空间修剪。然后在不同设置下的实证研究证明了剪枝设计空间的高质量和强大的泛化能力。最后,作为一个案例研究,我们表明,与流行的 CF 方法相比,它可以通过随机搜索修剪的设计空间快速获得 2 个新数据集上性能最佳的模型架构。


Graph Logic Reasoning for Recommendation and Link Prediction

论文链接: https://arxiv.org/pdf/2112.13705

代码链接: 

https://github.com/rutgerswiselab/NCR (baseline)

论文机构: 罗格斯大学、清华

论文分类: 图网络

论文总结: 在本文中,我们提出将链接预测建模为图上的推理问题。具体来说,我们提出了一种图协同推理 (GCR) 方法,该方法利用邻域链接信息来预测潜在推理空间中的连接。在两个具有代表性的链接预测任务(图链接预测和推荐)上的实验表明了该模型的有效性,特别是对于稀疏数据上的链接预测。


Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation

论文链接: https://arxiv.org/abs/2108.06468

论文机构: 港中文、华为

论文分类: 知识图谱

论文总结: 在本文中,我们提出了一种知识图谱增强的推荐模型,即 LKGR,它学习用户和项目的嵌入以及双曲空间中的知识图谱实体。我们在洛伦兹流形上提出了一种知识感知注意机制来区分图节点信息量的贡献,然后是用于高阶信息传播的多层聚合。三个真实世界数据集的实验结果不仅验证了 LKGR 相对于最近最先进的解决方案的性能改进,而且还证明了所有提出的模型组件的有效性。


Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation

论文链接: https://arxiv.org/pdf/2107.03813

代码链接: 

https://github.com/0215Arthur/HG-GNN

论文机构: 同济大学、京东等

论文分类: 图网络、会话推荐

论文总结: 在本文中,我们提出了一种异构全局图神经网络,用于基于会话的个性化推荐。与以前的方法相比,我们考虑了用户历史交互的影响,并构建了一个由历史用户-项目交互、项目转换和全局共现信息组成的异构全局图。此外,我们提出了一种图增强混合编码器,由异构图神经网络和个性化会话编码器组成,以全面捕获用户偏好表示。


Triangle Graph Interest Network for Click-through Rate Prediction

论文链接: https://arxiv.org/abs/2202.02698

代码链接: https://github.com/alibaba/tgin

论文机构: 阿里、复旦

论文分类: 图网络、点击率预估

论文总结: 在本文中,我们提出了一种新颖而有效的框架,称为三角图兴趣网络 (TGIN,Triangle Graph Interest Network),用于点击率预测任务。对于用户行为序列中的每个点击项目,我们在项目-项目图的邻域中引入三角形作为补充。TGIN 将这些三角形视为用户兴趣的基本单位,它们为捕捉用户点击项目的真正动机提供了线索。我们通过聚合几个兴趣单元的信息来描述用户行为,以缓解难以捉摸的动机问题。TGIN通过选择多样化和相对的三角形,为用户带来新颖和偶然的物品,以打破多样性限制,扩大探索机会。


Reinforcement Learning over Sentiment-Augmented Knowledge Graphs towards Accurate and Explainable Recommendation

论文链接: 

https://dl.acm.org/doi/10.1145/3488560.3498515

论文机构: 汉阳大学

论文分类: 强化学习、知识图谱、可解释性


Community Trend Prediction on Heterogeneous Graph in E-commerce

论文链接: https://arxiv.org/pdf/2202.12081

论文机构: 华东师大、阿里

论文分类: 图网络

论文总结: 在本文中,我们提出了一种新的社区趋势预测框架 DyTGraph,它不仅考虑了二部图,还考虑了动态演化的属性标签的超图。具体来说,我们在每个时间步设计一个社区属性图来学习不同社区的协作,并构建一个属性标签的超图来利用它们的关联。我们的实验表明,所提出的模型优于所有流行的基线,并提前找到了一些流行的标签。对于未来的工作,研究如何根据偏好动态划分社区会很有趣。

3. 参考文献
图片

[1] WSDM2022推荐系统论文集锦

[2] WSDM 2022 推荐系统,搜索,广告论文集锦,附下载链接

72180WSDM'22推荐系统论文梳理

root

这个人很懒,什么都没留下

文章评论