Autor: Escuela

ENLACES RELACIONADOS: https://zhuanlan.zhihu.com/p/161705748

KDD (https://www.kdd.org/kdd2020/) es una de las principales conferencias internacionales en el campo recomendado. Este documento recibido de acuerdo con el escenario de aplicación del sistema de recomendación se puede dividir aproximadamente en: estimación del CTR, recomendación de TopN, recomendación de diálogo, recomendación de secuencia, etc. Al mismo tiempo, GNN, aprendizaje intensivo, aprendizaje multitarea, aprendizaje de migración, AutoML, meta-aprendizaje en el sistema de recomendación de la aplicación de aterrizaje se ha convertido en el principal punto de investigación. Una gran parte de la conferencia provino de artículos de la industria, incluyendo Google, Microsoft, Criteo, Spotify y gigantes nacionales Ali, Baidu, Byte, Huawei, Drip, y así sucesivamente.

CTR Prediction

1. AutoFIS: Selección automática de la interacción de las funciones en los modelos de factorización para la predicción de la tasa de clics a través de la 华为诺亚

Introducción: Este documento utiliza el método de búsqueda de AutoML para seleccionar interacciones de características secundarias de alto valor, eliminar elementos de interferencia y mejorar la precisión de modelos como FM y DeepFM.
Papel: arxiv.org/abs/2003.1123

2. CNN específica de la categoría para la predicción de CTR consciente de la visión en JD.com 京东

Papel: arxiv.org/abs/2006.1033

3. Towards Automated Neural Interaction Discovering for Click-Through Rate Prediction 【Facebook】

Papel: arxiv.org/abs/2007.0643

Graph-based Recommendation

1. Un marco para recomendar elementos precisos y diversos utilizando redes neuronales convolucionales de gráficos bayesianos ( 华为诺亚)

2. An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph 【Amazon】

Papel: arxiv.org/abs/2007.0021

3. M2GRL: Un marco de aprendizaje de representación gráfica multitarea para sistemas de recomendación de escala web ( 阿里 Web-scale Recommender Systems)

Resumen: Este artículo mejora la firma de artículos por asociación de varios diagramas de perspectiva (artículo-artículo, tienda de artículos, tienda-tienda, etc.) para la retirada de artículos.
Papel: arxiv.org/abs/2005.1011

4. Handling Information Loss of Graph Neural Networks for Session-based Recommendation

5. Interactive Path Reasoning on Graph for Conversational Recommendation

Papel: arxiv.org/abs/2007.0019

6. Una red de atención de gráficos heterogéneo dual para mejorar el rendimiento de la cola larga para la búsqueda de tiendas en el comercio electrónico de 阿里

7. Géminis: Un marco de fusión de información de gráficos heterogéneos novedosos y universales para recomendaciones en línea (滴滴)

Conversational Recommendation

1. Evaluating Conversational Recommender Systems via User Simulation

Papel: arxiv.org/abs/2006.0873

2. Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

Papel: arxiv.org/abs/2007.0403

3. Interactive Path Reasoning on Graph for Conversational Recommendation

Papel: arxiv.org/abs/2007.0019

CF and Top-N Recommendation

1. Filtrado colaborativo de hipergráfico de doble canal ( 百度 Dual Channel Hypergraph Collaborative Filtering)

Notas: blog.csdn.net/weixin_42

2. Aprendizaje métrico probabilístico con margen adaptativo para la recomendación Top-K (华为诺亚)

3. Marco de múltiples intereses controlable para la Recomendación 阿里

Papel: arxiv.org/abs/2005.0934

4. Embedding-based Retrieval in Facebook Search 【Facebook】

Papel: arxiv.org/abs/2006.1163

5. On Sampling Top-K Recommendation Evaluation

Embedding and Representation

1. Compositional Embeddings Using Complementary Partitions for Memory-Efficient Recommendation Systems 【Facebook】

Papel: arxiv.org/abs/1909.0210

2. PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest 【Pinterest】

Papel: arxiv.org/abs/2007.0363

3. SimClusters: Community-Based Representations for Heterogeneous Recommendations at Twitter 【Twitter】

4. Time-Aware User Embeddings as a Service 【Yahoo】

Papel: astro.temple.edu /-tuf28

Sequential Recommendation

1. Autoobsencia desenredada en recomendaciones secuenciales de 阿里

Papeles: http://pengcui.thumedialab.com/papers/Disen...

2. Handling Information Loss of Graph Neural Networks for Session-based Recommendation

3. Maximizar la participación acumulativa del usuario en la recomendación secuencial: Una perspectiva de optimización en línea de 阿里

Papel: arxiv.org/pdf/2006.0452

RL for Recommendation

1. Aprender conjuntamente a recomendar y anunciar 字节跳动

Papel: arxiv.org/abs/2003.0009

2. BLOB: A Probabilistic Model for Recommendation that Combines Organic and Bandit Signals 【Criteo】

3. Joint Policy-Value Learning for Recommendation 【Criteo】

Papel: researchgate.net/public

Multi-Task Learning

1. Características privilegiadas Destilación en las Recomendaciones de Taobao (阿里)

Papel: arxiv.org/abs/1907.0517

Transfer Learning

1. Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling 【Salesforce】

2. Filtrado colaborativo semi-supervisado por adaptación de dominio mejorada por texto 阿里 (Text-enhanced Domain Adaptation)

Papel: arxiv.org/abs/2007.0708

AutoML for Recommendation

1. Neural Input Search for Large Scale Recommendation Models 【Google】

Papel: arxiv.org/abs/1907.0447

2. Towards Automated Neural Interaction Discovering for Click-Through Rate Prediction 【Facebook】

Papel: arxiv.org/abs/2007.0643

Federated Learning

1. FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems

Evaluation

1. Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions 【Netflix, Spotify】

Papel: arxiv.org/abs/2007.1298

2. Evaluating Conversational Recommender Systems via User Simulation

Papel: arxiv.org/abs/2006.0873

3. 【Best Paper Award】On Sampled Metrics for Item Recommendation 【Google】

4. On Sampling Top-K Recommendation Evaluation

Debiasing

1. Debiasing Grid-based Product Search in E-commerce 【Etsy】

Papel: public.asu.edu / srguo12 /

2. Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions 【Netflix, Spotify】

Papel: arxiv.org/abs/2007.1298

3. Attribute-based Propensity for Unbiased Learning in Recommender Systems: Algorithm and Case Studies 【Google】

论:research.google/pubs/pu

POI Recommendation

1. Geography-Aware Sequential Location Recommendation 【Microsoft】

Papel: staff.ustc.edu.cn / s lian

Cold-Start Recommendation

1. MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation

Papel: arxiv.org/abs/2007.0318

2. Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation

Papeles: https://ink.library.smu.edu.sg/cgi/...

Others

1. Improving Recommendation Quality in Google Drive 【Google】

论:research.google/pubs/pu

2. Temporal-Contextual Recommendation in Real-Time 【Amazon】

Papeles: https://assets.amazon.science/96/71/...