专栏首页机器学习与推荐算法ECAI2020推荐系统论文聚焦

ECAI2020推荐系统论文聚焦

目录
  • 前言
  • 推荐论文列表
  • 推荐阅读

前言

ECAI,全称为 European Conference on Artificial Intelligence,是欧洲主要的人工智能会议。

ECAI2020,第 24 届欧洲人工智能大会,此次会议共收到了 1443 篇有效论文,其中 1363 篇完整论文和 80 篇短论文,最终接收了 365 篇完整论文和 36 篇短文,接受率为 26.8%。

小磊试着将所接收的论文标题进行统计分析发现:

  • 深度模型仍然占据很大比例,比如关键字 Neural, Networks, Deep 等,其中很大一部分比重是由图卷积网络(Graph Convolutional Networks, GCN)贡献的,可见 GCN 仍然是研究的重点模型。
  • 更加关注数据和模型的动态性、效率等,比如 Multi,Dynamic,Efficient。
  • 以下技术仍然是研究者的首选,比如 Adversarial, Attention, Embedding 技术等。
  • 研究者主要关注在以下应用,比如 Detection, Reasoning, Prediction, Argumentation, Inference 等应用研究偏多。

(论文标题关键字可视化词云)

推荐论文列表

下面罗列下 ECAI2020 会议中的 7 篇推荐系统相关的论文。没错,就 7 篇,相比于 IJCAI 和 AAAI 这两个人工智能顶会论文数量是少了不少。

  1. Shallow Neural Models for Top-N Recommendation.

这篇论文是我比较感兴趣的,因为目前的推荐模型非深即宽,加深结构可以增加泛化能力,加宽结构可以提取交叉特征。因此大部分研究都是基于此展开的,要么加深网络,要么加宽网络。所以看到该论文题目,用于 TopN 推荐的浅神经网络,比较好奇是如何利用这样的浅层结构来打败复杂模型产生 SOTA 性能的,期待一读。

  1. Directional Adversarial Training for Recommender Systems.

这篇论文中,设计了一种对抗训练(DAT)策略,即在适当的限制下,用户和物品的嵌入向量都朝着其相似的邻居方向变化,通过将这种协同过滤信号作为扰动注入推荐系统模型的训练过程中的,使得模型的泛化效果得到了较大提升。

  1. Secure Social Recommendation based on Secret Sharing.

一篇基于密钥共享的社会化推荐论文,涉及到推荐系统中的安全与隐私问题,同样值得一读。

  1. Joint Modeling of Local and Global Behavior Dynamics for Session-based Recommendation.

一篇建模用户全局与局部行为动态性的基于会话的推荐系统。

  1. A Text-based Deep Reinforcement Learning Framework for Interactive Recommendation.

一篇用于交互式推荐的基于文本的深度强化学习框架论文。交互式推荐系统中的交互需要在迭代过程中进行优化,很自然的将强化学习技术引了进来。记得在知乎上回答过推荐系统现在/未来有哪些有趣/可做研究的应用场景?

当时的回答:可交互的推荐系统,我觉得会是未来比较有趣的研究方向之一。目前的推荐结果大多由平台和算法主导,用户比较被动,只能默默的接收着推荐引擎输送过来的推荐结果。推荐的过于单一或者推荐的不感兴趣,用户没有调优与反馈的权利。设计可交互的推荐系统不仅可以通过数据的迭代来更新推荐算法,还可以通过人机交互的方式帮着推荐算法来感知人们的感情色彩,使得推荐系统不仅能推断用户对于物品的喜好,还能感知用户对于推荐算法本身的调优方向。这样可以起到一个双向增强、协同优化的效果,推荐算法尽可能的推测用户的准确喜好,用户尽可能的给推荐系统输送准确数据和调优方向。使得两者形成一股凝聚力,而不是推荐系统本身费劲巴拉猜测用户喜欢啥。用户不主动,推荐系统就是瞎猜。

  1. On the Effectiveness of Social Proof Recommendations in Markets with Multiple Products.

在多种产品市场中关于社会证明的有效性的推荐,一篇关于社会化推荐论文,貌似没那么容易看懂。

  1. From mixture of longitudinal and non-gaussian advertising data to Click-Through-Rate prediction.

从纵向和非高斯广告混合数据到点击率预测。

本文分享自微信公众号 - 机器学习与推荐算法(ML_RSer),作者:张小磊

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-05-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 推荐系统干货总结

    推荐系统是一个相当火热的研究方向,在工业界和学术界都得到了大家的广泛关注。希望通过此文,总结一些关于推荐系统领域相关的会议、知名学者,以及做科研常用的数据集、代...

    张小磊
  • 当推荐系统邂逅深度学习

    推荐系统之于用户的角色,有时更像是无微不至的男朋友,你口渴时递给你符合口味的饮料,你饥饿时还你以常吃的披萨,你无聊时帮你推荐有趣的音乐亦或带你欣赏感兴趣的电影。

    张小磊
  • 推荐系统领域中那些巧妙运用的idea

    本人于2019年12月份在知乎平台上提出了《在推荐系统领域有什么巧妙的idea》的问题,截止目前已经有近1k关注,近40k的浏览,可见大家对于推荐系统领域的广泛...

    张小磊
  • 【每周CV论文推荐】 CV领域中数据增强相关的论文推荐

    欢迎来到《每周CV论文推荐》。在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的。

    材ccc
  • 量化评估推荐系统效果

    推荐系统最有效的方法就是A/B test进行模型之间的对比,但是由于现实原因的局限,存在现实实时的困难性,所以,梳理了一些可以补充替代的指标如下,但是离线评估也...

    sladesal
  • 百亿级通用推荐系统实践

    腾讯云推荐系统应用在腾讯的QQ空间、QQ、企鹅FM、QQ会员和黄钻贵族等12个不同的业务的200多个不同推荐场景,每天处理的推荐请求有上百亿个。那么,腾讯云是如...

    吕慧伟
  • 【陆勤学习】推荐系统开发的十个关键点

    亚马逊的CEO Jeff Bezos曾经说过,他的梦想是“如果我有100万个用户,我就要为他们做100万个亚马逊网站”。智能推荐系统承载的就是这个梦想,即通过数...

    陆勤_数据人网
  • 个性化推荐沙龙 | 腾讯云推荐引擎实践

    吕慧伟,腾讯云布道师,腾讯社交网络运营部高级工程师,腾讯通用推荐系统神盾开发负责人,腾讯云推荐引擎架构师。中国科学院计算技术研究所博士,美国阿贡国家实验室博士后...

    携程技术
  • IBM开发AI病毒,旨在更好地了解并应对新型网络威胁

    IBM开发了一种名为“DeepLocker”的新型攻击性工具,AI可以绕过网络安全保护,恶意软件使用AI来感染个人电脑。

    AiTechYun
  • 【链安科技】游戏Fomo 3D合约漏洞

    自7月8日,一款运行在以太坊上的带有明显博弈性质的区块链游戏火了,这是继EOS-RAM之后,又一个用惊人收益刷新着我们认知的“新物种”,它就是Fomo 3D。

    辉哥

扫码关注云+社区

领取腾讯云代金券