SmartLab307的博客

本文总结了几篇基于联邦学习范式的推荐系统，分别从不同的层面对基本的联邦学习更新方式进行了优化，比如如何实现更好的聚合参数、如何更好的挑选待更新的客户端、如何保持更严格的隐私保护、如何减少更新过程中的通信量等。该方向相对来说是一个比较新的方向，其目标是在保护用户隐私的前提下如何实现本地模型更精准的推荐服务，但现在的实验验证方式基本都是靠模拟来完成的，即手动将完整的数据集切分为符合联邦学习方式的多个本地数据集。

【推荐系统】一文梳理联邦学习推荐系统研究进展

协同过滤推荐算法

本文精选了上周（0410-0417）最新的20篇推荐系统相关的论文，方向主要包括去偏推荐、对话推荐、基于负采样的推荐、联邦推荐、公平性推荐、序列化推荐、加速推荐系统训练、时尚推荐、新闻推荐、基于内容的协同过滤推荐等的推荐算法，应用涵盖会话推荐、序列推荐以及组推荐、新闻推荐等。为节省大家时间，只整理了论文标题以及摘要，如果感兴趣可移步原文精读。论文标题：Self-Guided Learning to Denoise for Robust Recommendation, SIGIR2022A Unifi

近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。图神经网络有很多比较好的综述[1][2][3]可以参考，更多的论文可以参考清华大学整理的GNN paper list[4]。本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、.

前言深度学习技术已经在计算机视觉以及自然语言理解等领域取得了巨大的成功，受其影响深度学习研究也开始在推荐系统领域得到关注。近些年来，已经见证了基于神经网络的推荐系统的巨大进步，其已经超越了传统推荐模型的性能。不同于基于深度模型的结构进行综述（比如以MLP、CNN、RNN等进行分类），也不同于对于某一子领域进行综述（比如跨域推荐、知识图谱推荐等），本次介绍的论文以推荐模型的准确性为目标，从推荐模型的角度对神经推荐模型进行了系统的综述，旨在总结该领域的研究成果，为研究推荐系统的研究者和实践者...

作者简介：张高玮，研究方向为推荐系统。引言：近年来跨域推荐方法逐渐受到人们的关注，为解决推荐系统中数据稀疏以及冷启动这两个问题提供了新的思路。本文聚焦于跨域推荐，依据解决方法的不同将跨域推荐模型分为基于共享实体表示的模型、基于域间映射的模型、基于异构图嵌入的模型、基于多领域协同训练的模型四大类进行整理介绍，欢迎大家批评和交流。目录1. 总体介绍1.1 什么是跨域推荐1.2 为什么需要跨域推荐2. 模型分类2.1 基于共享实体表示的模型2.2 基于域间映射的模型2.3 基于异构图嵌入的模型2.4 基于多领域协

概要如今推荐系统的研究非常火热，GNN也在很多领域表现优异。推荐系统主要的挑战是从历史交互(historical interactions)和边信息(side information)中学习有效的用户(user)和物品(item)表示，由于很多信息具有图结构，而且GNN擅长表示学习，所以很多工作将GNN应用到推荐系统中。本文是北京大学相关团队发表的一篇「基于GNN的推荐系统」方向的综述，文章回顾了近几年GNN在推荐系统中的相关工作，提出了一个新的分类体系，并阐述了有关该领域未来发展的新观点。..

转自微信公众号：浅梦的学习笔记原址链接：https://mp.weixin.qq.com/s?__biz=MjM5MzY4NzE3MA==&mid=2247493556&idx=1&sn=e62c31c32dee4bd2d8151c9370bb3e04&chksm=a691945991e61d4f23ac5bf42a137e8626a217b17df971267d8543cd06fce450fb0acde0cb0a&mpshare=1&scene=23&am

【迁移学习】自动选择源域的迁移学习方法本文转载自知乎王晋东不在家的《小王爱迁移》系列之十五：自动选择源域的迁移学习方法源地址为：《小王爱迁移》系列之十五：自动选择源域的迁移学习方法 - 知乎 (zhihu.com)本次我们介绍一篇杨强老师团队早期（2011年）发表在人工智能顶会IJCAI上的文章：《Source-selection-free Transfer Learning》。这篇论文所针对的问题是：如果我们可供选择的源域数量太多（千万级），我们如何可以根据两个领域之间的关系，自动地进行源.

推荐系统干货总结本文列举了推荐系统领域的相关会议、学者、论文、书籍、课程、数据集以及代码和工具以上资料均提供了超链接和简要说明原文作者：知乎张小磊，北京交通大学博士在读，研究方向：推荐系统及隐私计算原文地址：https://zhuanlan.zhihu.com/p/34004488...