2020年推荐系统工程师炼丹手册

作者：一元      来源：炼丹笔记

炼丹要练好，须有好丹方，何处寻好的丹方，答曰：顶会！

本文不扯蛋，就扯扯这2020年顶会必看的推荐系统的论文 & 其摘要。如有兴趣炼丹提升自己开发推荐系统效果的，可以持续关注我们的公众号！我们会每周更新一到多篇顶会Paper的阅读 & 评论 或者 福利 Code复现，助我们的炼丹师练出顶级“丹药”。

本人乃初级炼丹师，难免会有纰漏，还请各位大佬莫要见笑，如有什么错误，还请多多指点，奋斗鸭。

本文我们汇总了25篇AAAI2020与推荐系统相关的论文&其对应的摘要。

1: Where to Go Next: Modeling Long- and Short-Term User Preferences for Point-of-Interest Recommendation 

摘要：POI推荐（Point-of-Interest，POI）是一个热门的研究课题，它从大量候选场馆中为用户生成更加方便的个性化的建议。因为用户的签到记录可以看作是一个很长的序列，基于递归神经网络（RNNs）的方法在这块显示出了很好的适用性。然而，现有的基于RNN的方法在对用户短期偏好建模时，要么忽略了用户的长期偏好，要么忽略了最近访问的poi之间的地理关系，使得我们的推荐结果并不可靠。针对上述局限性，我们提出了一种新的长短期偏好建模方法（LSTPM）。特别地，该模型由一个用于长期偏好建模的非局部网络和一个用于短期偏好学习的geo-dialted RNN组成。在两个实际数据集上的大量实验表明，我们的模型相比目前最好的方法得到了显著的提升。

2.PEIA: Personality and Emotion Integrated Attentive Model for Music Recommendation on Social Media Platforms

摘要：随着数字音乐格式的迅速扩展，推荐用户喜爱的音乐是非常重要的。对于音乐推荐，用户的个性和情感会分别以长期和短期的方式影响他们的音乐偏好，而丰富的社交媒体数据为这些信息提供了有效的反馈。本文针对社交媒体平台上的音乐推荐问题，提出了一种个性与情感相结合的注意模型（PEIA），模型充分利用社交媒体数据，对用户的长期喜好（个性）和短期偏好（情感）进行综合建模。具体地，它充分利用了个性化的用户特性、情感导向的用户特性和音乐特性的多方面属性。在整合用户个性和情感的潜在表征时，采用层次注意来区分重要因素。在171254个用户的大型真实数据集上进行的实验证明了我们的PEIA模型的有效性，我们的模型可以获得0.5369的NDCG，优于现有的方法。我们还进行了详细的参数分析和特征贡献分析，进一步验证了我们的方案，并说明了用户个性和情感协同建模在音乐推荐中的意义。

3. A Knowledge-Aware Attentional Reasoning Network for Recommendation

摘要：近年来，基于知识图的推荐系统越来越受到业界和学术界的关注。现有的许多基于知识的推荐方法都取得了更好的效果，通常是通过对知识图中用户和商品之间的路径进行推理来进行推荐。然而，他们忽略了一点：用户的个人点击历史序列，这些序列可以更好地反映用户在推荐时间段内的偏好。本文中，我们提出了一种基于知识感知的注意力推理网络KARN，KARN融合了用户的点击历史序列和用户与商品之间的路径连通性。提出的KARN不仅开发了一个基于注意的RNN，从用户点击的历史序列中捕捉用户的历史兴趣，而且还开发了一个层次化的注意力神经网络来推理用户和物品之间的路径，从而推断出用户对物品的潜在意图。基于用户的历史兴趣和潜在意图，KARN可以预测用户对候选项的点击概率。我们在Amazon评论数据集上进行了实验，实验结果证明了我们提出的KARN模型的优越性和有效性。

4. Enhancing Personalized Trip Recommendation with Attractive Routes

摘要：个性化出行推荐试图为用户推荐一系列兴趣点（poi）。现有的研究大多只根据poi本身的流行程度来搜索poi。事实上，POI之间的线路对游客也非常具有吸引力，其中一些线路人气很高。我们将这种路由称为吸引路由（AR），它可以带来额外的用户体验。本文我们研究有吸引力的路线来改善个性化的旅游推荐。针对ARs的发现和评估问题，我们提出了一种基于POIs和吸引路径的个性化出行推荐器（TRAR）。该方法基于流行度和POI的基尼系数来发掘吸引路线，然后利用类别空间中的引力模型来估计吸引路线的评分得分和偏好。基于此，TRAR建议使用ARs进行一次旅行，以最大限度地提高用户体验，并在时间成本和用户体验之间进行权衡。实验结果表明了TRAR方法与其他最新方法相比的优越性。

5.Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation

摘要：最近关于推荐的研究主要集中在探索提高最新神经网络的表达能力