ICDE'22推荐系统论文梳理之Industry篇

ICDE' 22已公布录用论文，Industry Track完整录用论文列表见

https://icde2022.ieeecomputer.my/accepted-industry-track/

Research Track的论文梳理见ICDE'22 推荐系统论文之Research篇

本文对推荐系统论文进行整理，共9篇，只有3篇论文+一篇PPT公开。ICDE开会都很久了，似乎很多论文都不公开，前面的Research Track也是如此；虽然CCF评级A，对其印象依然很差。

1. AMCAD: Adaptive Mixed-Curvature Representation based Advertisement Retrieval System

论文链接: https://arxiv.org/pdf/2203.14683

论文机构: 阿里、北大

论文作者: Zhirong Xu (Alibaba Group); Shiyang Wen (Alibaba Group)*; Junshan Wang (Alibaba); Guojun Liu (Alibaba Group); Liang Wang (Alibaba group); Zhi Yang (Peking University); Lei Ding (Alibaba Group ); Yan Zhang (Alibaba group); Di Zhang (Alibaba Group); Jian Xu (Alibaba Group); Bo Zheng (Alibaba Group)

Session : Information Retrieval and Recommendation

论文分类: 图网络

论文总结: 基于图嵌入的检索已成为信息检索社区和搜索引擎行业中最流行的技术之一。经典范式主要依赖于平面欧几里得几何。近年来，双曲线（负曲率）和球面（正曲率）表示方法分别显示了它们在捕获分层和循环数据结构方面的优越性。然而，在电子商务搜索平台等行业场景中，大规模异构查询-商品-广告交互图往往多种结构并存。现有的方法要么只考虑单个几何空间，要么手动组合多个空间，这对于模拟真实场景中的复杂性和异质性是不灵活的。

为了应对这一挑战，我们提出了一个网络规模的自适应混合曲率广告检索系统 (AM-CAD)，以自动捕获非欧几里得空间中的复杂和异构图结构。具体来说，实体在自适应混合曲率空间中表示，其中子空间的类型和曲率被训练为最佳组合。此外，设计了一个 attentive edge-wise space projector，根据局部图结构和关系类型对异构节点之间的相似性进行建模。为了在拥有数亿用户的最大电子商务平台之一淘宝上部署 AMCAD，我们为基于图的广告检索任务设计了一个高效的两层在线检索框架。对真实世界的数据集和在线流量的 A/B 测试进行了广泛的评估，以说明所提出系统的有效性。

2. Tell Me How to Survey: Literature Review Made Simple with Automatic Reading Path Generation

论文链接: https://arxiv.org/abs/2110.06354

论文机构: 密歇根州立大学、乔治城大学、腾讯等

论文作者: Jiayuan Ding (Michigan State University); Tong Xiang (Georgetown University); Zijing Ou (School of data and computer science, Sun Yat-sen University); wangyang Zuo (zhejiang unversity of technology); Ruihui Zhao (Tencent Jarvis Lab); Chenghua Lin (University of Sheffield); Yefeng Zheng (Tencent); Bang Liu (University of Montreal)*

Session: Information Retrieval and Recommendation

论文分类: 硬件加速

论文总结: 个性化推荐的发展显著提高了信息匹配的准确性和电子商务平台的收入。最近有两个趋势：1）推荐系统必须及时训练，以应对来自在线营销和社交网络不断增长的新产品和不断变化的用户兴趣；2）最先进的推荐模型引入深度神经网络（DNN）模块以提高预测准确性。传统的基于 CPU 的推荐系统无法满足这两个趋势，以 GPU 为中心的训练已成为一种趋势。但是，我们观察到训练推荐系统中的 GPU 设备未得到充分利用，并且它们无法像在计算机视觉 (CV) 和神经语言处理 (NLP) 领域那样实现预期的吞吐量提升。这个问题可以用这些推荐模型的两个特点来解释：首先，它们包含多达千级的输入特征字段，引入了碎片化和内存密集型操作；其次，多个组成特征交互子模块引入了大量的小型计算内核。为了消除推荐系统开发的这一障碍，我们提出了一个名为 PICASSO 的新框架来加速商品硬件上推荐模型的训练。具体来说，我们进行了系统分析，以揭示训练推荐模型中遇到的瓶颈。我们利用模型结构和数据分布，通过打包、交错和缓存优化来释放硬件的潜力。实验表明，PICASSO 在最先进的基线基础上将硬件利用率提高了一个数量级，并为各种工业推荐模型带来了高达 6 倍的吞吐量提升。在生产中使用相同的硬件预算，PICASSO 将日常培训任务的 时间 平均缩短了 7 小时，显著减少了持续交付的延迟。

3. PICASSO: Unleashing the Potential of GPU-centric Training for Wide-and-deep Recommender Systems

论文链接: https://arxiv.org/pdf/2204.04903

代码链接:

https://github.com/JiayuanDing100/Reading-Path-Generation

论文机构: 阿里

论文作者: Yuanxing Zhang (Alibaba-Inc)*; Langshi Chen (Alibaba Group); Siran Yang (Alibaba Group); Man Yuan (Alibaba Group); Huimin Yi (Alibaba Group); Jie Zhang (Alibaba Group); Jiamang Wang (Alibaba); Jianbo Dong (Alibaba); Yunlong Xu (Alibaba Group); Yue Song (Alibaba Group); Yong Li (Alibaba Group); Di Zhang (Alibaba Group); Wei Lin (Alibaba Group); Lin Qu (Alibaba Group); Bo Zheng (Alibaba Group)

Session : Information Retrieval and Recommendation

论文分类: 阅读路径生成

论文总结: 近年来，论文数量急剧增长，每天都有大量新的研究论文发表，尤其是在计算机科学领域。如何从海量文献中收集到值得一读的论文以进行快速调研或跟上特定研究主题的最新进展已成为一项具有挑战性的任务。现有的学术搜索引擎通过单独计算每篇论文和查询之间的相关性来返回相关论文。然而，这样的系统通常会忽略一个研究主题的先决条件链，无法形成有意义的阅读路径。在本文中，我们介绍了一项名为阅读路径生成 (RPG) 的新任务，该任务旨在为给定的查询自动生成要阅读的论文路径。作为研究基准，我们进一步提出了 SurveyBank，这是一个由计算机科学领域的大量调研论文及其引用关系组成的数据集。此外，我们提出了一种基于图优化的阅读路径生成方法，该方法将论文之间的关系考虑在内。广泛的评估表明，我们的方法优于其他基线。我们设计的模型还实现了实时阅读路径生成 (RePaGer) 系统。

4. Tower Bridge Net (TB-Net): Bidirectional Knowledge Graph Aware Embedding Propagation for Explainable Recommender Systems

论文链接: 无

论文机构: 华为、工行、港科大

论文作者: Shendi Wang (Huawei Technologies)*; Haoyang Li (Huawei Technologies); Caleb Chen Cao (Huawei Technologies); Xiao-Hui Li (Huawei Technologies); Ngai Fai Ng (Huawei Technologies); Jianxin Liu (Huawei Technologies ); Xun Xue (Huawei); Hu Song (Industrial and Commercial Bank of China Limited); Jinyu Li (Industrial and Commercial Bank of China Limited ); Guangye Gu (Industrial and Commercial Bank of China Limited ); Lei Chen (Hong Kong University of Science and Technology)

Session : Data Mining and Knowledge Discovery 3

论文分类: 知识图谱、可解释性

5. Field-aware Variational Autoencoders for Billion-scale User Representation Learning

论文链接: 无

论文机构: 腾讯、深大等

论文作者: Ge Fan (Tencent)*; Chaoyun Zhang (Tencent Lightspeed & Quantum Studios); Junyang Chen (Shenzhen Univeristy); Baopu Li (BAIDU USA LLC); Zenglin Xu (Harbin Institute of Technology); YINGJIE LI (Tencent Lightspeed & Quantum Studios); Luyu Peng (Tencent); Zhiguo Gong (University of Macau)

Session : Information Retrieval and Recommendation

论文分类: VAE

6. ODNET: A Novel Personalized Origin-Destination Ranking Network For Flight Recommendation

论文链接: https://www.modb.pro/doc/61594 (PPT)

论文机构: 广西大学、阿里等

论文作者: Jia Xu (Guangxi University)*; Jin Huang (alibaba); Zulong Chen (Alibaba); LI Yang (Alibaba); Wanjie Tao (Alibaba Group); Chuanfei Xu (Concordia University)

Session : Information Retrieval and Recommendation

论文分类: OD推荐

7. AiRS: A Large-Scale Recommender System at NAVER News

论文链接: 无

论文机构: Naver、汉阳大学等

论文作者: Hongjun Lim (Naver corp); Yeon-Chang Lee (Hanyang University); Jin-Seo Lee (Naver Corp.); Sanggyu Han (Naver Corp.); Seunghyeon Kim (Naver Corp.); Yeongjong Jeong (Naver Corp.); Changbong Kim (Naver Corp.); Jaehun Kim (Naver Corp.); Sunghoon Han (Naver Corp.); Solbi Choi (Naver Corp.); Hanjong Ko (Naver Corp.); Dokyeong Lee (Naver Corp.); Jaeho Choi (Naver Corporation); Yungi Kim (Hanyang University); Hong-Kyun Bae (Hanyang University); Taeho Kim (Hanyang University); Jeewon Ahn (Hanyang University); Hyun-Soung You (Hanyang University); Sang-Wook Kim (Hanyang University, Korea)*

Session : Information Retrieval and Recommendation

8. Cheaper Is Better: Exploring Price Competitiveness for Online Purchase Prediction

论文链接: 无

论文机构: 阿里、特拉华大学等

论文作者: Han Wu (alibaba Group); Hongzhe Zhang (Institute for Financial Services Analytics, University of Delaware)*; Liangyue Li (Alibaba Group); Zulong Chen (Alibaba); Fanwei Zhu (Zhejiang Univ. City College); Xiao Fang (Lerner College of Business and Economics, University of Delaware)

Session : Information Retrieval and Recommendation

9. Knowledge Enhanced Person-Job Fit for Talent Recruitment

论文链接: 无

论文机构: 百度、港科大

论文作者: Kaichun Yao (Baidu)*; Jingshuai Zhang (Baidu); Chuan Qin (Baidu); Peng Wang (Baidu Inc.); Hengshu Zhu (Baidu); Hui Xiong (Hong Kong University of Science and Tech)

Session : Information Retrieval and Recommendation