ACL-IJCAI-SIGIR顶级会议论文报告会（AIS 2022）笔记1：推荐系统

本文链接：https://blog.csdn.net/PolarisRisingWar/article/details/125331551

诸神缄默不语-个人CSDN博文目录

录播视频地址：AIS 2022丨ACL-IJCAI-SIGIR顶级会议论文报告会回放视频公开啦
智源官网活动主页，有详细议程的介绍：ACL-IJCAI-SIGIR顶级会议论文报告会（AIS 2022）

本文关注5月14日的推荐系统部分。主要内容是截图slides，并附注一些讲解内容。比我之前写cs224w和李宏毅的笔记会简略很多，在图中不言自明的内容我就不另附介绍了。

浅谈推荐系统当前热点与趋势

主讲人：武汉大学李晨亮
我估计老师是双屏，一直在转头看提纲哈哈哈哈哈！

在这里插入图片描述
本次演讲所涵盖的2022年论文主要包括几大顶会中当时已经出来的会议的论文。

在这里插入图片描述

[图片]

在这里插入图片描述

在这里插入图片描述
这是在unigram和bigram上的词云分析

[图片]

在这里插入图片描述
（数据是只基于论文标题做的）

在这里插入图片描述
工业界关注多任务可能是因为实际场景中会有更多行为，所以需要建模多任务

在这里插入图片描述

主讲人的联系方式：cllee@whu.edu.cn

Session 1：Recommendation（推荐系统）

1. 推荐系统中联合多方曝光度的公平性信息

论文：Joint Multisided Exposure Fairness for Recommendation
主讲人：麦吉尔大学吴昊伦

在这里插入图片描述

在这里插入图片描述
传统的multi-stakeholders的工作一般就只是对两方分别建模然后加起来

在这里插入图片描述
multisided problem：多边问题

在这里插入图片描述
GG-F就是motivation中提到的范式

在这里插入图片描述

在这里插入图片描述
IG-F和GI-F都可以看作本文提出的GG-F的定义，因此GG-F更general

在这里插入图片描述

2. 关于归纳式的协同过滤任务

论文：INMO: A Model-Agnostic and Scalable Module for Inductive Collaborative Filtering
主讲人：计算所伍云帆

在这里插入图片描述

1. Background and Motivation

在这里插入图片描述

2. Inductive Module for Collaborative Filtering

在这里插入图片描述
购买过相同模板商品的用户，认为是相似用户

在这里插入图片描述
MF矩阵分解

在这里插入图片描述

3. Experimental Results

在这里插入图片描述

4. Conclusions

在这里插入图片描述

3. User-controllable Recommendation Against Filter Bubbles

论文：User-controllable Recommendation Against Filter Bubbles
主讲人：新加坡国立大学王文杰

在这里插入图片描述

在这里插入图片描述
calibration指的是让当前分布与历史分布尽可能一样，以免bias amplification

在这里插入图片描述

在这里插入图片描述
因为这个模型要求用户进行交互，所以在数据集上做了一些simulation

在这里插入图片描述

问题：这个做法跟事后的reranking有什么区别？
主讲人回答：用与control冲突的历史做调整，可以用reranking实现但是需要考虑一些outdated影响（其实我没听懂这啥意思）实验结果也有所对比，证明了该方法的有效性。

4. 会话推荐价格

论文：Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation
主讲人：大连理工大学张晓堃
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
最后用二者计算商品被购买的概率

在这里插入图片描述

在这里插入图片描述
问：什么是超图？
主讲人回答：一般的图中一条边只能连接2个节点，超图中一条边可以连接任意个节点。

5. 三选一MMO模型优化总结

阿里巴巴蚂蚁金服堂剑曾冠奇
跟学术界的不一样，这是工业界已经做好的东西（20年10月做的）
在这里插入图片描述
连环动作不好建模
高点击低转化属于骗点击的场景，要打击
这个异构专家网络没有在论文里面写，因为一篇论文只能写一个点。
理念是三个臭皮匠顶个诸葛亮。
这个讲者说当时他们没时间写这个内容了，结果被另一篇论文发了：
在这里插入图片描述
不线性相关。

这部分讲了业务上强制排单（这块我没太听懂）
问题：这样和只优化CVR的区别？答：只优化CVR，由于这三个不线性相关……（然后的我没太听懂）

6. 评论数据感知，图对比学习

合肥工业大学帅杰
在这里插入图片描述
缓解数据稀疏问题
引入Target review：增强交互建模。是和预测的评分相对应的那条评论。只在训练阶段有，测试阶段没有（应该是因为还没买，所以肯定没有评论）。有些工作在训练阶段通过正则化学习目标评论的表征。
在这里插入图片描述

使不同邻居得到的节点表征相似：提高鲁棒性

问题：评论对推荐会有可解释性，做了没？答：没做，是个好方向。

7. Session-based recommendation

武大赖思奇
在这里插入图片描述预测用户的下一个交互对象
传统的session-based方法忽略了其他信息导致了数据稀疏性的问题
SSL：self-supervised learning

换了个随机种子产生新的mirror graph

Ablation study：

一个超参

7. 为跨域推荐学习解耦表示

信工所博士曹江峡
在这里插入图片描述

跨域推荐需要有重叠信息，这里是用户重叠的场景
右边两个是两种思路。①迁移学习：用户偏好有些领域共有、有些领域特有（这些迁移会带来噪声，负迁移）。为了迁移领域共有的偏好→提出②的解耦学习范式
在这里插入图片描述变分二部图编码器
不用画出UIU或IUI的元路径，而能直接保持二部图的原始结构

在这里插入图片描述图3是basecase：都被领域特有建模了，导致领域共有没有迁移能力了

8. 序列推荐

武汉大学硕士田雨
在这里插入图片描述

预测下一个时间步点击item的概率（有多少兴趣）

认为原始胶囊网络缺少时序信息，用BiLSTM实现时序信息增强

micro-video是来自快手的真实数据集，后面两个是亚马逊的

效果比2个低了一些：那两个用了时间特征
在这里插入图片描述

9. 信息选择增强序列推荐

北邮李凯元
在这里插入图片描述

序列推荐：用户交互数据稀疏
当前主流做法：引入异构信息（知识图谱等）。问题：也会引入噪音，损失数据信号，负协同问题
左图：整条是全模型的表现，粉色是与GRU4Rec的交集
本文主要目标：如何选择辅助信息？
在这里插入图片描述
多智能体的马尔科夫决策过程
reward：和推荐系统的收益相关

$i_1$ - $i_t$ → $h$ ：初始的用户历史表达
→模态的选择（ $c_{1\rightarrow n}$ 是不同模态的信息）
交叉熵
off-policy
mean pooling
Q值计算：DQN Q mix网络→生成整体Q值
在这里插入图片描述

证明了减少负迁移现象

vtk分别代表文本图片KG3种模态