KDD'22推荐系统论文梳理 (24篇研究&36篇应用论文)

KDD'22已公布录用论文，接收254篇/投稿1695篇，录用率为14.98%。

Research Track完整录用论文列表见

https://www.kdd.org/kdd2022/paperRT.html

Applied Data Science Track论文接收列表见

https://kdd.org/kdd2022/paperADS.html

经过两个月的速读，终于把2022年已公布的推荐系统相关顶会梳理一遍，暂时只剩KDD (很快CIKM也将公布，欢迎关注，及时获取最新分享) ，其他会议的论文可以参考公众号或知乎的文章。@张小磊、 @夏未眠 等已在[1] [2]对KDD Research Track论文进行整理，本文按照笔者的思路，对Research Track推荐系统相关的24篇论文和ADS Track推荐系统相关的36篇论文进行分类整理。

整理不易，欢迎点赞收藏关注，可以通过公众号后台加入交流群，一起交流学习。

√

KDD'22 Research Papers

按任务&场景划分，主要包括序列推荐[2, 4, 17, 18]、对话推荐[16]、会话推荐[22]、捆绑推荐[3]、协同过滤[5, 6, 8]、点击率预估[9]、Debias[10, 13, 17, 18, 20, 25]、冷启动[11]、E&E[9]、POI[12]、公平性[11]、可解释性[21]、反事实学习[13]、Membership inference attacks[17]等。按技术划分，主要包括图网络[1, 3, 4, 5, 7, 8, 12, 15, 19]、对比学习[3, 15]、强化学习[15, 22, 24]、对抗学习[11]、元学习[11]、Prompt学习[16]、特征交叉[1]、二值化[7]等。

[1] Detecting Arbitrary Order Beneficial Feature Interactions for Recommender Systems

论文链接: https://arxiv.org/abs/2206.13764

代码链接:

https://github.com/ruizhang-ai/HIRS_Hypergraph_Infomax_Recommender_System

论文机构: 墨尔本大学

论文分类: 特征交叉、图网络

论文总结: 检测有益的特征交叉在推荐系统中是必不可少的，现有方法通过检查所有可能的特征交叉来实现这一点。然而，检查所有可能的高阶特征交叉的成本高昂（随着阶数的增加呈指数增长）。因此，现有方法仅检测有限顺序（例如，最多四个特征的组合）的有益特征交叉，这可能会错过顺序高于限制的有益特征交叉。在本文中，我们提出了一种名为 HIRS 的基于超图神经网络的模型。HIRS 是第一个直接生成任意顺序的有益特征交叉并相应地进行推荐预测的工作，生成特征交叉的数量可以指定为远小于所有可能的交叉的数量，因此，我们的模型运行时间要短得多。为了实现有效的算法，我们利用了有益特征交叉的三个属性，并提出了基于deep-infomax的方法来指导交叉生成。我们的实验结果表明，HIRS 在推荐准确率方面优于最先进的算法高达 5%。

[2] Towards Universal Sequence Representation Learning for Recommender Systems

论文链接: https://arxiv.org/abs/2206.05941

代码链接: https://github.com/RUCAIBox/UniSRec

论文机构: 人大、阿里

论文分类: 序列推荐

论文总结: 大多数现有的序列表示学习方法依赖于明确的项目 ID 来开发序列模型，以更好地捕捉用户偏好。尽管在一定程度上有效，但由于显式建模项目 ID 的限制，这些方法很难转移到新的推荐场景中。为了解决这个问题，我们提出了一种新颖的通用序列表示学习方法，名为 UniSRec。所提出的方法利用项目的相关描述文本来学习跨不同推荐场景的可转移表示。为了学习通用项目表示，我们设计了一种基于参数白化和混合专家增强适配器 ( parametric whitening and mixture-of-experts enhanced adaptor)的轻量级项目编码架构。为了学习通用序列表示，我们通过对多域负样本进行采样来引入两个对比预训练任务。通过预训练的通用序列表示模型，我们的方法可以在inductive or transductive settings以参数高效的方式转移到新的推荐领域或平台。在真实世界数据集上进行的大量实验证明了所提出方法的有效性。特别是，我们的方法还导致了跨平台设置的性能提升，显示了所提出的通用序列表示学习方法的强大可迁移性。

[3] CrossCBR: Cross-view Contrastive Learning for Bundle Recommendation

论文链接: https://arxiv.org/pdf/2206.00242

代码链接:

https://github.com/mysbupt/CrossCBR

论文机构: 新加坡国立大学

论文分类: 对比学习、捆绑推荐、图网络

论文总结: 捆绑推荐旨在向用户推荐捆绑的相关商品，可以一站式方便地满足用户的各种需求。最近的方法通常利用user-bundle和user-item交互信息来获得用户和bundle的表示，分别对应于bundle视图和item视图。然而，他们要么使用没有差异的统一视图，要么松散地结合两个独立视图的预测，而忽略了两个视图表示之间的关键协作关联。

在这项工作中，我们提出通过跨视图对比学习来模拟两种不同视图之间的合作关联。通过鼓励两个单独学习的视图对齐，每个视图可以从另一个视图中提取互补信息，实现相互增强。此外，通过扩大不同用户/bundles的分散度，增强了表示的 self-discrimination。对三个公共数据集的广泛实验表明，我们的方法大大优于 SOTA 基线。同时，我们的方法需要三组嵌入（user, bundle, and item）的最小参数，并且由于更简洁的图结构和图学习模块，大大降低了计算成本。此外，各种消融和模型研究揭开了工作机制的神秘面纱，并证明了我们的假设。

[4] Multi-Behavior Hypergraph-Enhanced Transformer for Next-Item Recommendation

论文链接: https://arxiv.org/abs/2207.05584

代码链接: https://github.com/yuh-yang/MBHT-KDD22

论文机构: 武大、港大、华南理工等

论文分类: 图网络、序列推荐

论文总结: 学习动态用户偏好已成为许多在线平台（例如视频共享网站、电子商务系统）进行序列推荐的重要组成部分。以前的工作基于各种架构（例如循环神经网络和自注意力机制）对用户交互序列上的项目-项目转换进行了许多努力。最近出现的图神经网络也可作为有用的主干模型来捕获序列推荐场景中的项目依赖关系。尽管它们很有效，但现有的方法主要集中在具有单一交互类型的项目序列表示上，因此仅限于捕获用户和项目之间的动态异构关系结构（例如，页面浏览、添加到收藏夹、购买）。为了应对这一挑战，我们设计了一个多行为超图增强型 Transformer 框架 (MBHT，Multi-Behavior Hypergraph-enhanced Transformer framework) 来捕获短期和长期的跨类型行为依赖关系。具体来说，多尺度 Transformer 配备了低秩自注意力，以从细粒度和粗粒度级别联合编码行为感知序列模式。此外，我们将全局多行为依赖项合并到超图神经架构中，以定制方式捕获分层的长期项目相关性。实验结果证明了我们的 MBHT 在不同设置下优于各种最先进的推荐解决方案。进一步的消融研究验证了我们模型设计的有效性和新 MBHT 框架的好处。

[5] Self-Augmented Hypergraph Transformer for Recommender Systems

论文链接: https://arxiv.org/abs/2207.14338

代码链接: https://github.com/akaxlh/SHT

论文机构: 华南理工大学、香港大学、布兰迪斯大学

论文分类: 图网络、协同过滤

论文总结: 图神经网络对用户-项目交互图进行建模，已被证明用于协同过滤任务的有效性。现有基于 GNN 的推荐系统的核心思想是沿用户-项目交互边递归地传递消息，以改善编码嵌入。然而，尽管它们很有效，但大多数当前的推荐模型都依赖于充足且高质量的训练数据，因此学习的表示可以很好地捕捉用户偏好。许多实际推荐场景中的用户行为数据通常是嘈杂的并且呈现出偏态分布，这可能导致基于 GNN 的模型中的表示性能欠佳。

鉴于上述挑战，这项工作提出了一种自监督超图Transformer框架（SHT，Self-Supervised Hypergraph Transformer framework），以增强基于图的协同过滤范式的鲁棒性和泛化性能。具体来说，我们将超图神经网络与拓扑感知 Transformer 相结合，以使我们的 SHT 能够维护全局跨用户协作关系。在局部图卷积网络上，我们首先对拓扑感知的用户嵌入进行编码，并将它们注入到 Transformer 架构中，以便在整个用户/项目表示空间内传递超图引导的消息。此外，我们在生成式自监督学习框架下将局部协作关系编码器的建模与全局超图依赖学习统一起来。我们提出的新的自监督推荐系统通过图拓扑去噪方案蒸馏辅助监督信号用于数据增强，并引入了基于图的meta transformation layer，以将基于超图的全局表示投影到用于基于图的局部用户和项目交互建模中。我们新提出的 SHT 是一种与模型无关的方法，在现有的基于图的推荐系统中充当插件学习组件。具体来说，SHT 实现了局部级和全局级协作，以促进基于图的协同过滤模型从嘈杂和稀疏的用户交互数据中学习高质量的用户嵌入。大量实验表明，SHT 可以显着提高各种最先进基线的性能。进一步的消融研究表明，我们的 SHT 推荐框架在缓解数据稀疏和噪声问题方面具有出色的表示能力。

[6] Towards Representation Alignment and Uniformity in Collaborative Filtering

论文链接:

http://www.thuir.cn/group/~mzhang/publications/KDD-2022-WangChenyang.pdf

代码链接:

https://github.com/THUwangcy/DirectAU

论文机构: 清华

论文分类: 协同过滤

论文总结: 大多数协同过滤方法利用编码器将用户和项目嵌入到相同的表示空间中，并且通常采用贝叶斯个性化排序(BPR) 损失作为目标函数来学习信息编码器。现有的研究主要集中在设计更强大的编码器（例如，图神经网络）以学习更好的表示。然而，很少有人致力于研究协同过滤中表示的期望属性，这对于理解现有协同过滤方法的基本原理和设计新的学习目标很重要。在本文中，我们从超球面上的对齐和均匀性的角度来衡量协同过滤中的表示质量。我们首先从理论上揭示了 BPR 损失与这两个属性之间的联系；然后，我们从量化的对齐和均匀性方面实证分析了典型协同过滤方法的学习动态，这表明更好的对齐或均匀性都有助于提高推荐性能；最后，根据分析结果，提出了一个直接优化这两个属性的学习目标，称为 DirectAU。我们对三个公共数据集进行了广泛的实验，与最先进的协同过滤方法相比，所提出的具有简单矩阵分解模型的学习框架可以显著提高性能。

[7] Learning Binarized Graph Representations with Multi-faceted Quantization Reinforcement for Top-K Recommendation

论文链接: https://arxiv.org/abs/2206.02115

论文机构: 港中文、华为、港城市

论文分类: 图网络、二值化

论文总结: 学习向量化嵌入是用于用户项目匹配的各种推荐系统的核心。为了执行有效的在线推理，表示量化，旨在通过离散数字的紧凑序列嵌入潜在特征，最近显示了优化内存和计算开销方面的潜力。然而，现有工作仅关注数值量化，而忽略了伴随的信息丢失问题，从而导致性能明显下降。在本文中，我们提出了一种新颖的量化框架来学习 Top-K 推荐 (BiGeaR) 的二值化图表示。BiGeaR 在二值化表示学习的前、中和后阶段引入了多方面的量化强化，这基本上保留了表示信息量以对抗嵌入二值化。除了节省内存占用之外，BiGeaR 还通过按位运算进一步开发了可靠的在线推理加速，为实际部署提供了另一种灵活性。五个大型真实世界基准的经验结果表明，BiGeaR 比最先进的基于量化的推荐系统实现了约 22%~40% 的性能提升，并恢复了约 95%~102% 的性能能力，时间和空间减少 8 倍以上。

[8] HICF: Hyperbolic Informative Collaborative Filtering

论文链接: https://arxiv.org/abs/2207.09051

论文机构: 港中文、哈工大、华为

论文分类: 协同过滤、图网络

[9] Adversarial Gradient Driven Exploration for Deep Click-Through Rate Prediction

论文链接: https://arxiv.org/abs/2112.11136

论文机构: 阿里、中科院

论文分类: E&E、点击率预估

[10] A Generalized Doubly Robust Learning Framework for Debiasing Post-Click Conversion Rate Prediction

论文链接: 无

论文机构: 华为、北大

论文分类: Debias

[11] Comprehensive Fair Meta-learned Recommender System

论文链接: https://arxiv.org/pdf/2206.04789

Slides:

http://aitime-lundao.oss-cn-beijing.aliyuncs.com/AitimeReport/20220707/1657189615856

论文机构: UIUC

论文分类: 公平性、元学习、对抗学习、冷启动

[12] Graph-Flashback Network for Next Location Recommendation

论文链接: 无

论文机构: 电子科大、阿卜杜拉国王科技大学

论文分类: 图网络、POI等

[13] Practical Counterfactual Policy Learning for Top-K Recommendations

论文链接:

https://www.csie.ntu.edu.tw/~cjlin/papers/counterfactual_topk/xcf.pdf

论文机构: 国立台湾大学、亚马逊、美团

论文分类: Debias、反事实学习

[14] Addressing Unmeasured Confounder for Recommendation with Sensitivity Analysis

论文链接: 无

论文机构: 中科大、北大

[15] Knowledge-enhanced Black-box Attacks for Recommendations

论文链接: https://arxiv.org/abs/2207.10307

论文机构: 南大、香港理工

论文分类: 对抗学习、知识图谱、强化学习

[16] Towards Unified Conversational Recommender Systems via Knowledge-Enhanced Prompt Learning

论文链接: https://arxiv.org/pdf/2206.09363

代码链接: https://github.com/rucaibox/unicrs

论文机构: 人大

论文分类: 对话推荐、预训练语言模型、Prompt学习

[17] Debiasing Learning for Membership Inference Attacks Against Recommender Systems

论文链接: https://arxiv.org/abs/2206.12401

代码链接: https://github.com/WZH-NLP/DL-MIA-KDD-2022

论文机构: 山大、阿里等

论文分类: Debias、Membership inference attacks、序列推荐

[18] Debiasing the Cloze Task in Sequential Recommendation with Bidirectional Transformers

论文链接: 无

代码链接:

https://github.com/KhalilDMK/DebiasedBERT4Rec

论文机构: 路易斯维尔大学

论文分类: Debias、序列推荐

[19] User-Event Graph Embedding Learning for Context-Aware Recommendation

论文链接: 无

论文机构: 深圳大学、东南大学、华为

论文分类: 图网络

[20] Invariant Preference Learning for General Debiasing in Recommendation

论文链接: 无

论文机构: 清华、西门子、伊利诺伊大学芝加哥分校

论文分类: Debias

[21] PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions

论文链接: 无

代码链接: https://github.com/ehgh/PARSRec-Explainable-Personalized-Attention-fused-Recurrent-Sequential-Recommendation

论文机构: 加州大学戴维斯分校

论文分类: 可解释性

[22] Learning Relevant Information in Conversational Search and Recommendation using Deep Reinforcement Learning

论文链接: 无

论文机构: 马萨诸塞大学安姆斯特分校

论文分类: 强化学习、会话推荐

[23] MDP2 Forest: A Constrained Continuous Multi-dimensional Policy Optimization Approach for Short-video Recommendation

论文链接: 无

论文机构: 上财、人大、腾讯等

论文分类: 短视频推荐

[24] Counteracting User Attention Bias in Music Streaming Recommendation via Reward Modification

论文链接:

https://gsai.ruc.edu.cn/uploads/20220708/4392468b47c63c491e1ce9f3981376e3.pdf

论文机构: 人大、华为

论文分类: 强化学习(bandit)、Debias、音乐推荐

√

KDD'22 ADS Papers

[1] Persia: An Open, Hybrid System Scaling Deep Learning-based Recommenders up to 100 Trillion Parameters

论文链接: https://arxiv.org/abs/2111.05897

论文机构: 罗彻斯特大学、苏黎世联邦理工学院、快手等

[2] Affective Signals in a Social Media Recommender System

论文链接: https://arxiv.org/pdf/2206.12374

论文机构: Facebook、Uber

[3] Deconfounding Duration Bias in Watch-time Prediction for Video Recommendation

论文链接: https://arxiv.org/abs/2206.06003

论文机构: 斯坦福、阿里、快手等

[4] Modeling the Effect of Persuasion Factor on User Decision for Recommendation

论文链接: 无

论文机构: 清华、美团

[5] Personalized Chit-Chat Generation for Recommendation Using External Chat Corpora

论文链接:

https://www.microsoft.com/en-us/research/uploads/prod/2022/05/Conversation_generation_for_news_recommendation_camera_ready.pdf

论文机构: 人大、MSRA、北大

[6] TwHIN: Embedding the Twitter Heterogeneous Information Network for Personalized Recommendation

论文链接: https://arxiv.org/abs/2202.05387

论文机构: Twitter

[7] 4SDrug: Symptom-based Set-to-set Small and Safe Drug Recommendation

论文链接:

https://www.cs.emory.edu/~jyang71/files/4sdrug.pdf

论文机构: 浙大、新加坡国立大学等

[8] Surrogate for Long-Term User Experience in Recommender Systems

论文链接: 无

论文机构: Google、明尼苏达大学

[9] ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest

论文链接: https://arxiv.org/abs/2205.11728

论文机构: Pinterest、斯坦福

[10] ASPIRE: Air Shipping Recommendation for E-commerce Products via Causal Inference Framework

论文链接:

https://assets.amazon.science/9a/f0/d567c24f4b7080def22ccd09cb58/aspire-air-shipping-recommendation-for-e-commerce-products-via-causal-inference-framework.pdf

论文机构: Amazon

[11] Recommendation in offline stores: A gamification approach for learning the spatiotemporal representation of indoor shopping

论文链接: 无

论文机构: 蔚山科学技术院、Retailtech

[12] NxtPost: User to Post Recommendations in Facebook Groups

论文链接: https://arxiv.org/pdf/2202.03645

论文机构: Facebook

[13] AutoShard: Automated Embedding Table Sharding for Recommender Systems

论文链接: 无

论文机构: 莱斯大学、Facebook

[14] Task-optimized User Clustering based on Mobile App Usage for Cold-start Recommendations

论文链接:

https://www.cs.ucdavis.edu/~hchen/paper/liu2022dauc.pdf

论文机构: 清华、腾讯等

[15] CERAM: Coverage Expansion for Recommendations by Associating Discarded Models

论文链接: 无

论文机构: 立命馆大学、雅虎日本

[16] Multi-Task Fusion via Reinforcement Learning for Long-Term User Satisfaction in Recommender Systems

论文链接: 无

论文机构: 腾讯

[17] Lion: A GPU-Accelerated Online Serving System for Web-Scale Recommendation at Baidu

论文链接: 无

论文机构: 港科大、百度

[18] User-tag Profile Modeling in Recommendation System via Contrast Weighted Tag Masking

论文链接: 无

论文机构: 上交、阿里

[19] FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling

论文链接: https://arxiv.org/pdf/2202.04975

论文机构: 清华、MSRA

[20] Training Large-Scale News Recommenders with Pretrained Language Models in the Loop

论文链接: https://arxiv.org/abs/2102.09268

论文机构: 北邮、MSRA

[21] Intelligent Request Strategy Design in Recommender System

论文链接: https://arxiv.org/pdf/2206.12296

论文机构: 阿里、浙大等

[22] Contrastive Cross-domain Recommendation in Matching

论文链接: https://arxiv.org/abs/2112.00999

论文机构: 腾讯

[23] Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation

论文链接: https://arxiv.org/pdf/2206.05020

论文机构: 人大、快手

[24] Device-Cloud Collaborative Recommendation via Meta Controller

论文链接: https://arxiv.org/pdf/2207.03066

论文机构: 上交、阿里等

[25] Friend Recommendations with Self-Rescaling Graph Neural Networks

论文链接:

https://www.microsoft.com/en-us/research/uploads/prod/2022/06/SSNet-camera-ready.pdf

论文机构: 华科、MSRA

[26] DDR: Dialogue based Doctor Recommendation for Online Medical Service

论文链接: 无

论文机构: 中科大、腾讯等

[27] Adaptive Feature Selection in Deep Recommender Systems

论文链接: 无，这篇WWW'22 的论文同作者，论文名差不多，AutoField: Automating Feature Selection in Deep

Recommender Systems

论文机构: 香港城市大学、中科大、腾讯

[28] CausalInt: Causal Inspired Intervention for Multi-Domain Recommendation

论文链接: 无

论文机构: 华为

[29] CognitionNet: A Collaborative Neural Network for Play Style Discovery in Online Skill Gaming Platform

论文链接: 无

论文机构: Games24x7

[30] RCAD:Real-time Collaborative Anomaly Detection System for Mobile Broadband Networks

论文链接:

https://www.simula.no/publications/rcadreal-time-collaborative-anomaly-detection-system-mobile-broadband-networks

论文机构: Simula Met

[31] Felicitas: Federated Learning in Distributed Cross Device Collaborative Frameworks

论文链接: 无

论文机构: 中科大、华为

[32] EdgeWatch: Collaborative Investigation of Data Integrity at the Edge based on Blockchain

论文链接: 无

论文机构: 斯威本理工大学、索尼

[33] Learning Supplementary NLP features for CTR Prediction in Sponsored Search

论文链接: 无

论文机构: 微软、萨瓦大学

[34] Arbitrary Distribution Modeling with Censorship in Real-Time Bidding Advertising

论文链接: https://arxiv.org/pdf/2110.13587

论文机构: FreeWheel、西北大学

[35] EGM: Enhanced Graph-based Model for Large-scale Video Advertisement Search

论文链接: 无

论文机构: 百度

[36] Self-Supervised Augmentation and Generation for Multi-lingual Text Advertisements at Bing

论文链接: 无

论文机构: 微软

√

3. 参考文献

[1] KDD2022推荐系统论文集锦(附pdf下载)

[2] KDD 2022 搜索，广告，推荐论文