RecSys 2019最佳论文：基于深度学习的推荐系统是否真的优于传统经典方法？

作者丨纪厚业

单位丨北京邮电大学博士生

研究方向丨异质图神经网络，异质图表示学习和推荐系统

本文发表在推荐系统顶会 RecSys 2019 并获得了 Best Paper。作者梳理实现了大量顶会推荐论文的代码方便大家入门推荐系统。

传送门：

https://github.com/MaurizioFD/RecSys2019_DeepLearning_Evaluation

引言

推荐系统尤其是深度推荐系统在工业界得到的广泛的应用，相关论文也在各大顶会层出不穷。各种 State-of-the-art 的模型不断的刷新着记录。但是，这些模型的有效性并没有真正的得到验证。

本文复现了近些年顶会的 Top-N 推荐的论文并进行了系统的分析。遗憾的是， 顶会上的 18 种推荐算法只有 7 个可以合理的复现。一些算法甚至无法超过基于 KNN 的方法。这不禁使作者发出疑问：我们真的取得了大量的进步吗？

相关论文、模型评价标准及基线算法

这里作者收集了 18 篇各大顶会论文，见 Table 1。

模型验证

Collaborative Memory Networks (CMN)

CMN 是一种混合记忆网络和注意力机制的推荐模型，发表在 SIGIR 2018。作者复现了 CMN 并在三个数据集上进行了验证，结果如 Table 2 所示。

可以看出，CMN 在大部分的情况下表现并不好，而 UserKNN 和 ItemKNN 表现强劲。