@paperweekly 推薦
#Knowledge Graph
本文是新加坡國立大學和 eBay 發表於 AAAI 2019 的工作，論文提出了一種基於 RNN 的推薦模型，對使用者和物品之間的互動特徵在知識圖譜中存在的關聯路徑進行建模，為使用者提供可解釋性推薦。該模型基於 LSTM 學習關聯路徑的表示，充分考慮了實體、關係間產生的序列依賴性，具備較強的推理能力。實驗表明，本文模型在電影資料集 MI 音樂資料集 KKBox 上取得了當前最優結果。
@ZSCDumin 推薦
#Knowledge Graph
本文是新加坡國立大學發表於 WWW 2019 的工作，論文提出了一個基於翻譯的推薦模型，利用共同學習推薦系統和知識圖譜補全模型，提供推薦的解釋性。作者結合了知識圖譜一起訓練，推理使用者偏好。
原始碼連結：https://github.com/TaoMiner/joint-kg-recommender
@paperweekly 推薦
#Explainable Recommendation
本文是新加坡國立大學發表於 WWW 2018 的工作。在推薦系統任務上，基於 embedding 的方法雖然具有良好的推薦表現，但其整體仿若一個黑盒，難以解釋具體推薦原因。相反，基於決策樹的推薦方法則能夠從資料中進行規則推理，進而給出具體的決策原因。
本文的寫作動機便是將二者的優勢加以結合，提出一個全新的 Tree-enhanced Embedding 方法，既保持基於決策樹方法的可解釋性，又具備基於 embedding 方法的良好推薦效果，進而保證了整個推薦過程的透明、可解釋性。
@wwwangzhch 推薦
#Memory Networks
本文是北京大學、IBM 與佐治亞理工發表在 AAAI 2019 上的論文，作者將電子病歷資料（Electronic Health Records, EHR）與藥物相互反應資料（Drug-Drug Interaction, DDI）通過圖卷積網路轉換成 Memory Bank，並結合病人的歷史病歷記錄生成 Dynamic Memory，動態調整損失函式以使得系統在較高精確度與較低 DDI rate 之間權衡。
在 MIMIC-III 資料集上使用雅卡爾相似係數、Average Precision、Average Recall 等多種評價指標均取得了最高的推薦準確率與極底的 DDI rate（僅次於邏輯迴歸）。
原始碼連結：https://github.com/sjy1203/GAMENet
@paperweekly 推薦
#Session-based Recommendation
本文是加州大學聖地亞哥分校發表於 CIKM 2018 的工作，論文藉助混合專家模型（mixtures-of-experts）和知識圖譜 embeddings 的思想提出了一種全新框架，巧妙利用使用者序列行為中相鄰物品間的關係來解釋使用者在特定時間點的行為原因，進而基於使用者的近期行為對其下一次行為進行預測。
原始碼連結：https://github.com/kang205/MoHR
@paperweekly 推薦
#Deep Neural Network
本文是 Schibsted Media Group 發表於 RecSys 2018 的工作，論文關注的問題是推薦系統在二手市場上的應用。作者通過線上實驗對三種基於深度神經網路的推薦模型進行了基準測試，對比它們在生產環境中的效能表現。這三種模型分別為混合專案-專案推薦器、基於序列的使用者專案推薦器以及一種更高階的多臂 bandit 演算法。
結果表明，在冷啟動和基於序列的模型中，將協同過濾和內容特性相結合可以更好地表示專案。此外，作者還在其他推薦演算法的基礎上，將bandit作為更高階的再排序工具，這種方法對於利用上下文資訊和組合多個業務領域的推薦系統非常有用。
論文連結：https://www.paperweekly.site/papers/2646
@paperweekly 推薦
#Social Recommendation
本文是重慶大學、亞利桑那州立大學和昆士蘭大學發表於 CIKM 2018 的工作。論文提出了一種基於潛在好友關係和購買關係構建異質資訊網路的方法，針對不同使用者，採用動態取樣方式生成使用者的潛在好友。實驗表明，本文方法在 Last.fm、豆瓣和 Epinions 資料集上，均達到了當前最優效果。
原始碼連結：https://github.com/Coder-Yu/RecQ
@paperweekly 推薦
#Next-item Recommendation
本文是中科大發表於 SIGKDD 2018 的工作。現有的序列化推薦方法往往僅對消費者的短期行為特徵進行分析，沒有充分考慮到使用者的長期偏好以及偏好的動態變化過程。
本文基於使用者行為區別，提出了一個針對商品推薦任務的全新BINN（Behavior-Intensive Neural Network）模型，該模型包括一個 Item Embedding 和兩個 RNN。Item Embedding 對使用者產生的 item 序列運用類 Skip-gram 的模型，兩個 RNN 分別用於捕獲使用者當前偏好和歷史偏好。
@paperweekly 推薦
#Rating Prediction
本文是新加坡國立大學發表於 IJCAI 2018 的工作，論文基於評論文字對使用者偏好和商品特徵進行抽取，提出了一種自適應注意力模型用於使用者評論的智慧排序，不斷學習使用者對商品在不同關注點方面的權重，進而提升推薦效果。
本文解決了已有方法忽視不同使用者對商品不同側面關注點不同的缺陷，並且在 Amazon Product Review 和 Yelp 2017 這兩個大規模推薦系統資料庫上取得了領域內最好效果。
論文連結：https://www.paperweekly.site/papers/2560
原始碼連結：https://github.com/hustlingchen/A3NCF
@paperweekly 推薦
#Recommender System
本文是明尼蘇達大學和京東發表於 WSDM 2018 的工作。當前大多數推薦系統更注重使用者和商品之間的巨集觀互動（如使用者-商品評分矩陣），很少有人會結合使用者的微觀行為資料（如瀏覽商品的時長、對商品的閱讀和評論）進行推薦。
本文從微觀行為的角度對推薦系統進行改進，作者將使用者的固有資料視為使用者和商品之間的巨集觀互動，並保留了巨集觀互動的順序資訊，同時，每個巨集觀互動都包含一系列微觀行為。
具體來說，論文提出了一個全新模型—RIB，它由輸入層、Embedding 層（解決資料稀疏和資料高維的問題）、RNN 層（建模時序資訊）、Attention 層（捕捉各種微觀行為影響）和輸出層組成。
論文連結：https://www.paperweekly.site/papers/2549
@ZSCDumin 推薦
#Group Recommendation
本文來自南洋理工大學。作為個體的使用者和群組成員的行為是不同的，作者基於使用者評級歷史的深度學習技術，提出了一個注意力群體推薦模型來解決群體推薦問題，模型自動學習群組中的每個使用者的影響權重並根據其成員的權重偏好為群組推薦專案。雖然基於圖和概率的模型已經得到了廣泛的研究，但本文是第一個將 Attention 機制應用到群體推薦中的。
@paperweekly 推薦
#Heterogeneous Information Networks
本文是北京大學發表於 WSDM 2018 的工作。基於異構資訊網路（HIN）的推薦由於其在模擬協同過濾、內容過濾、上下文感知推薦等方面的能力而受到廣泛關注。現有各類方法的關鍵在於如何正確設定異構資訊網路中各種 link 的權重。
本文提出了一種基於貝葉斯個性化排序（BPR）的機器學習方法——HeteLearn，來學習異構資訊網路中的 link 權重，並將其應用於個性化推薦任務。作者在個性化推薦和標籤推薦任務上對本文方法進行了測試，實驗表明，本文方法表現明顯優於傳統的協同過濾推薦演算法和當前最先進的基於 HIN 的推薦方法。