#Paper Reading# Seq2Slate: Re-ranking and Slate Optimization with RNNs

论文题目: Seq2Slate: Re-ranking and Slate Optimization with RNNs
论文地址: https://negative-dependence-in-ml-workshop.lids.mit.edu/wp-content/uploads/sites/29/2019/06/seq2slate_icml_workshop.pdf
论文发表于: ICML 2019（CCF A类会议）

论文大体内容：
本文主要介绍了谷歌团队用一个Seq2Seq的模型来predict下一个观看的视频，以此用于推荐系统的Rerank。

Motivation：
传统的LTR方法更多是序列encoding的方法，就是将各个特征做Embedding，然后根据这些Embedding学习到label的映射。没有其它工作尝试过decoding的方法，这也是本文提出的方法。

Contribution：
本文作者提出使用Seq2Seq的架构来解决item推荐的问题，称为Seq2Slate。这个方法主要是根据用户前面看过的视频序列，来predict下一个观看的视频，应用pointer network框架，进行纯数据驱动学习。

1. 本文使用pointer network[1]如图，左右两边都使用LSTM；

2. 本文使用了每个item是否click的监督信息来做supervised training；

实验
3. Dataset
①Yahoo Learning to Rank Challenge[2]；
②Microsoft Web30k[3]；
③Real-World Data: 大规模商业推荐系统；

4. Baseline
①AdaRank；
②Coordinate Ascent；
③LambdaMART；
④ListNet；
⑤MART；
⑥Random Forests；
⑦RankBoost；
⑧RankNet；

5. Metric
①MAP；
②NDCG；

6. 实验结果

参考资料： 
[1] https://zhuanlan.zhihu.com/p/48959800
[2] https://webscope.sandbox.yahoo.com/catalog.php?datatype=c&guccounter=1
[3] https://www.microsoft.com/en-us/research/project/mslr

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！