推荐系统顶会RecSys 2018论文及代码集锦（1）

[1] Causal Embeddings for Recommendation

Stephen Bonner, Flavian Vasile

Criteo AI Labs

https://arxiv.org/pdf/1706.07639.pdf

这篇论文提出一种领域适应算法，该算法从包含有偏推荐策略的登入数据中学习并且根据随机曝光来推荐。

这篇文章的符号及定义如下

其中涉及的公式有

该文的算法伪代码如下

各算法效果对比如下

代码地址

https://github.com/criteo-research/CausE

该代码基于Python和Tensorflow实现

[2] Item Recommendation on Monotonic Behavior Chains

Mengting Wan, Julian McAuley

University of California, San Diego

http://cseweb.ucsd.edu/~jmcauley/pdfs/recsys18b.pdf

这篇文章提出一种商品推荐框架。他们发现反馈信息表征着某种单调依赖结构，比如，任何信号必定暗示着某种弱信号，评论行为暗含着购买行为，进一步暗含着点击行为等。该论文作者将这种结构称为单调行为链。

单调行为链及商品推荐问题图示如下

符号说明如下

不同的优化标准图示如下

单调偏好评分函数图示如下

ChainRec算法伪代码如下

数据集统计信息如下

各方法效果对比如下

代码地址

https://github.com/MengtingWan/chainRec

该代码基于Python和tensorflow实现

[3] Preference Elicitation as an Optimization Problem

Anna Sepliarskaia et al.

University of Amsterdam & Google

https://staff.fnwi.uva.nl/m.derijke/wp-content/papercite-data/pdf/sepliarskaia-preference-2018.pdf

这篇文章主要用于解决冷启动问题。作者提出一种启发式方法来生成静态偏好问卷，其中的问题可以展现用户的相对偏好。利用隐含因子模型，静态偏好问卷可以通过选择最小并且多样型的问题子集来提升个性化推荐效果。作者严格证明了这种优化问题可以从静态问卷中选择每一个问题来解决。

启发式问卷示例如下

下面是一些符号说明

静态偏好问卷算法伪代码如下

寻找点集直径伪代码如下

评价算法伪代码如下

选择商品子集算法伪代码如下

各方法效果对比如下

代码地址

https://github.com/Seplanna/pairwiseLearning

该代码是用Python实现的

[4] Spectral Collaborative Filtering

Lei Zheng et al.

University of Illinois at Chicago，Peking University，Florida State University，Tsinghua University

https://www.cs.uic.edu/~clu/doc/recsys18_spectralCF.pdf

这篇文章主要应对冷启动问题。作者将用户和商品之间的关系构成二部图，然后提出谱域的谱卷积算子，不仅可以揭示图中的邻近信息，而且可以揭示隐藏在图中的连接信息。作者还构建了深层推荐模型，谱协同过滤，SpectralCF。这种算法可以发现用户和商品之间的深层连接，进而缓解冷启动问题。

用户商品二部图示例如下

频率域的示例图如下

SpectralCF的前向传播示例图如下

SpectralCF算法伪代码如下

超参数设置如下

各算法效果对比如下

代码地址

https://github.com/lzheng21/SpectralCF

该代码利用Python和tensorflow实现

[5] Translation-based Factorization Machines for SequentialRecommendation

Rajiv Pasricha，Julian McAuley

UC San Diego

https://cseweb.ucsd.edu/~jmcauley/pdfs/recsys18a.pdf

这篇论文提出一种用于序列推荐的算法，TransFM，该算法将基于转移和度量的方法与分解机模型结合起来。这种模型可以继承FM的优势，并且可以提高基于转移的模型在序列推荐中的效果。针对每一个特征维度，都学习得到嵌入和转移空间，特征之间的交互强度的度量不再利用内积，而是利用平方欧氏距离。TransFM可以将内容特征融入进去，进而可以大幅度提升模型效果。

TransFM示例如下

几个模型的可视化对比如下

这篇文章的符号约定如下

预处理之后的数据集信息统计如下

各模型效果对比如下

代码地址

https://github.com/rpasricha/TransFM

该代码基于Python和tensorflow实现

马上就要国庆了，提前祝大家国庆快乐

另外，为方便大家交流，已开通以下几个群

自然语言处理交流群

计算机视觉交流群

推荐系统交流群

广告算法交流群

自动驾驶交流群

语音识别交流群

其他推荐的群（暂未开通）

欢迎感兴趣的朋友加入，入群方式：

关注公众号之后在后台发送"入群"或"加群"，小编会把您拉进相应的群，谢谢

可以通过以下方式关注

本公众号（微信号：mlanddlanddm）专注于机器学习（主要包含但不限于深度学习）相关知识分享，其中涉及自然语言处理、推荐系统以及图像处理前沿论文等，欢迎大家关注交流

您可能感兴趣