【論文相關(guān)】盤點(diǎn)AAAI2020中的四篇推薦系統(tǒng)好文
本文基于AAAI中的這四篇推薦系統(tǒng)論文，展開瞅一瞅它們都講了些什么。
第一篇文章：可解釋評論的推薦中的非對稱層次網(wǎng)絡(luò)與專注的交互
Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation
論文鏈接:?https://arxiv.org/pdf/2001.04346.pdf
關(guān)鍵詞：Hierarchical ; Review
基于用戶評論的推薦確實(shí)是一個(gè)非常值得研究的主題。大多數(shù)推薦系統(tǒng)都是為了挖掘用戶顯式行為背后的隱式反饋，試圖去Get到用戶的意圖。與這樣的動(dòng)機(jī)相比，評論是用戶主動(dòng)給出的意圖，相比之下更加準(zhǔn)確?，F(xiàn)有的方法通常將給定用戶或物品的所有評論合并到一個(gè)長文檔中，然后以相同方式處理用戶和物品文檔。
但是，實(shí)際上，這兩組評論是截然不同的。用戶的評論反映了他們購買的各種商品，因此其主題非常不同，而一項(xiàng)商品的評論僅與該單個(gè)商品相關(guān)，因此在局部上是同質(zhì)的?？瓷先ピ趺聪窭@口令似的，那么我簡單地翻譯一下：
我買了一條新的裙子并且對這條裙子給出了評論，我這個(gè)評論是只針對我這次買的這條裙子的。你如果拿我這條評論去預(yù)測我對其他裙子的偏好，這就有問題了。
在這項(xiàng)工作中，我們開發(fā)了一種新穎的神經(jīng)網(wǎng)絡(luò)模型，該模型通過非對稱的注意力模塊正確地解決了這一重要差異。形式上分為兩個(gè)模塊：
用戶模塊學(xué)習(xí)僅關(guān)注與目標(biāo)物品相關(guān)的那些信號
物品模塊學(xué)習(xí)有關(guān)物品屬性的最顯著內(nèi)容
文章中所提出的多層次的范式解釋了這樣一個(gè)事實(shí)，就是說并非所有的評論都是同樣有用的，也不是每個(gè)評論中的所有句子都一樣中肯。
本文的貢獻(xiàn)是極大的：在這項(xiàng)工作中強(qiáng)調(diào)了評論推薦中的不對稱的注意力問題。為了解決這個(gè)問題，提出了一種靈活的神經(jīng)結(jié)構(gòu)，即AHN，其特點(diǎn)是它的非對稱注意模塊來區(qū)分用戶嵌入和物品嵌入與評論的學(xué)習(xí)，以及它的層次范式來提取細(xì)粒度的句子和評論信號。
識(shí)別了不對稱注意力問題，并提出基于評論的推薦。 提出了AHN，一種新的深度學(xué)習(xí)架構(gòu)，它不僅捕獲了評論數(shù)據(jù)的不對稱和層次特征，同時(shí)還支持結(jié)果的可解釋性。
第二篇文章：會(huì)話推薦系統(tǒng)的貝葉斯方法
A Bayesian Approach to Conversational Recommendation Systems
論文鏈接:?https://arxiv.org/pdf/2002.05063.pdf
關(guān)鍵詞：Bayesian; Conversational RS
第三篇文章：多目標(biāo)推薦系統(tǒng)的多梯度下降
Multi-Gradient Descent for Multi-Objective Recommender Systems
論文鏈接:?https://arxiv.org/pdf/2001.00846.pdf
關(guān)鍵詞：Multi-Gradient Descent; Multi-Objective RS
該文章的主要思想如下：
本文利用多梯度下降法，結(jié)合不同的目標(biāo)，找到一組多目標(biāo)推薦問題的解決方案。 本文將梯度歸一化的新思想引入到多梯度推薦中。這允許我們通過使用子梯度來放松單個(gè)目標(biāo)的可微性條件，將根本不同的目標(biāo)組合到同一個(gè)目標(biāo)函數(shù)中。這種靈活性允許我們處理來自多個(gè)涉眾的目標(biāo)。
第四篇文章：記憶增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)的序列化推薦
Memory Augmented Graph Neural Networks for Sequential Recommendation
論文鏈接:?https://arxiv.org/pdf/1912.11730.pdf
關(guān)鍵詞：GNN; Sequential RS
1. 短期用戶興趣建模的難度； 2. 難以吸引長期用戶興趣； 3. 物品共現(xiàn)模式的有效建模。
本文的主要觀點(diǎn)概括如下：
為了對用戶的短期和長期興趣進(jìn)行建模，提出了一種記憶增強(qiáng)的圖神經(jīng)網(wǎng)絡(luò)來捕捉物品的短期上下文信息和長期依賴關(guān)系。 為了有效地融合短期和長期興趣，作者在GNN框架中加入了一個(gè)閘門機(jī)制，以自適應(yīng)地結(jié)合這兩種隱藏的表示。
為了顯式地建模物品共現(xiàn)模式，使用了雙線性函數(shù)來捕捉物品之間的特征相關(guān)性。
MA-GNN的模型架構(gòu)
往期精彩回顧