在碎片化閱讀充斥眼球的時代，越來越少的人會去關(guān)注每篇論文背后的探索和思考。

在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。

點擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。

這是 PaperDaily 的第 133?篇文章

@daven88 推薦

#Deep Learning

最近兩年，基于深度學(xué)習(xí)的推薦系統(tǒng)一直是非常火熱的研究方向，然而隨著論文數(shù)量的增多，對比和復(fù)現(xiàn)他人論文成了困擾科研人員的一個難題。本文提出了一個全新開源工具庫，包含諸多基于深度學(xué)習(xí)的推薦算法，代碼可以直接運行，可以用來做為 baselines 和開發(fā)自己的算法，是一個非常不錯的工具。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2979

源碼鏈接

https://github.com/cheungdaven/DeepRec

@shoujin 推薦

#Session-based Recommendation

本文是第一篇全面深入總結(jié) session-based recommendations 的綜述文章，值得推薦。文章系統(tǒng)總結(jié)了目前一種新型推薦范式：session-based recommendations 的特點、挑戰(zhàn)和目前取得的進(jìn)展，對整個推薦系統(tǒng)研究領(lǐng)域和相關(guān)的工業(yè)界人員提供了一個全面了解推薦系統(tǒng)領(lǐng)域最新研究進(jìn)展的機會。

該文從問題本質(zhì)和相關(guān)的數(shù)據(jù)特征入手，為 session-based recommendations 建立了一個層次化模型來深入理解里面存在的各種數(shù)據(jù)復(fù)雜性和潛在挑戰(zhàn)，然后采用了兩個不同維度對現(xiàn)有研究成果進(jìn)行了系統(tǒng)分類和總結(jié)，最后提出了展望。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2884

@ZSCDumin 推薦

#Reinforcement Learning

本文是清華大學(xué)和京東發(fā)表于 KDD 2019 的工作。論文針對利用強化學(xué)習(xí)解決推薦系統(tǒng)時存在用戶行為難以建模的問題，提出了一種新的強化學(xué)習(xí)框架 FeedRec，包括兩個網(wǎng)絡(luò)：Q 網(wǎng)絡(luò)利用層次化 LSTM 對復(fù)雜用戶行為建模，S 網(wǎng)絡(luò)用來模擬環(huán)境，輔助和穩(wěn)定 Q 網(wǎng)絡(luò)的訓(xùn)練。方法在合成數(shù)據(jù)和真實數(shù)據(jù)上進(jìn)行了驗證，取得了 SOTA 的結(jié)果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2995

@paperweekly 推薦

#Recomendation

本文是 UCSD 和微軟發(fā)表于 CIKM 2018 的工作。與在線購物不同的是，在超市購物場景下，商品間的互補性和用戶對商品的忠誠度起著決定性作用。本文基于這兩個維度提出了一種新的表示學(xué)習(xí)方法——triple2vec。此外，作者在上述方法得到的表示基礎(chǔ)上，提出了一種考慮忠誠度的推薦算法，用忠誠系數(shù)來權(quán)衡表示模型和統(tǒng)計模型計算出的購買偏好。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2516

源碼鏈接

https://github.com/MengtingWan/grocery

@ZSCDumin 推薦

#Group Recommendation

本文是湖南大學(xué)和新加坡國立大學(xué)發(fā)表于 SIGIR 2018 的工作，論文應(yīng)用神經(jīng)協(xié)同網(wǎng)絡(luò)和注意力機制為群組用戶進(jìn)行 Top-N 商品推薦，主要解決了群組用戶興趣的動態(tài)組合、群組與個人用戶的協(xié)同商品推薦，以及新用戶的冷啟動問題。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2732

源碼鏈接

https://github.com/LianHaiMiao/Attentive-Group-Recommendation

@paperweekly 推薦

#Collaborative Filtering

本文是 Netflix、MIT 和 Google AI 發(fā)表于 WWW 2018 的工作，論文將變分自編碼器（VAE）擴展到協(xié)同過濾以進(jìn)行隱式反饋，通過非線性概率模型克服線性因子模型的局限。其次，作者引入了具有多項式似然（multinomial likelihood）的生成模型，并使用貝葉斯推斷進(jìn)行參數(shù)估計。作者基于 VAE 提出了一個生成模型 VAE_CF，并針對 VAE 的正則參數(shù)和概率模型選取做了適當(dāng)調(diào)整，使其在當(dāng)前推薦任務(wù)中取得最佳結(jié)果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2606

源碼鏈接

https://github.com/dawenl/vae_cf

@paperweekly 推薦

#Recommender Systems

本文是中科院和亞利桑那州立大學(xué)發(fā)表于 AAAI 2018 的工作。現(xiàn)有的推薦系統(tǒng)大多依靠用戶的歷史評分或者評論文本進(jìn)行推薦，往往由于數(shù)據(jù)資源不足而面臨數(shù)據(jù)稀疏和難以進(jìn)行冷啟動的問題。本文基于原則性和數(shù)學(xué)的方式，對用戶評論中的積極/消極情感加以充分利用，提出了一個全新推薦框架 MIRROR，并且在 Ciao 和 Epinions 這兩個真實數(shù)據(jù)集上證明了該框架的有效性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2550

@paperweekly 推薦

#Context-aware Recommendations

本文是山東大學(xué)發(fā)表于 CIKM 2018 的工作，論文關(guān)注的問題是基于上下文感知的推薦系統(tǒng)。作者提出了一種新型注意力交互網(wǎng)絡(luò)，用來捕捉內(nèi)容、user和item之間的交互影響。此外，作者還提出了一種效應(yīng)級注意力機制來聚合多種交互影響。通過在三個公開數(shù)據(jù)集 Food、Yelp 和 Frappe 上的大量實驗表明，本文模型效果優(yōu)于當(dāng)前最先進(jìn)的上下文感知推薦算法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2501

@paperweekly 推薦

#Matrix Factorization

本文是伍斯特理工學(xué)院和賓夕法尼亞州立大學(xué)發(fā)表于 CIKM 2018 的工作，論文提出了一個基于 RME（Regularized Multi-Embedding）的推薦模型，不再基于用戶的共同喜好進(jìn)行物品推薦，而是創(chuàng)新地提出刻畫物品對共同被討厭的特征，進(jìn)而避免向用戶推薦其討厭的物品。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2446

源碼鏈接

https://github.com/thanhdtran/RME

@paperweekly 推薦

#Multi-Task Learning

本文是上海交大和弗吉尼亞大學(xué)發(fā)表于 SIGIR 2018 的工作。論文提出了一個用于可解釋推薦任務(wù)的多任務(wù)學(xué)習(xí)方法，通過聯(lián)合張量分解將用戶、產(chǎn)品、特征和觀點短語映射到同一表示空間。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2421

源碼鏈接

https://github.com/MyTHWN/MTER

點擊以下標(biāo)題查看往期推薦：?

• ??近期必讀的12篇「推薦系統(tǒng)」相關(guān)論文

• ??基于多任務(wù)學(xué)習(xí)的可解釋推薦系統(tǒng)

• ??融合MF和RNN的電影推薦系統(tǒng)
  

• ??基于深度學(xué)習(xí)的推薦模型—PARL

• ??想了解推薦系統(tǒng)最新研究進(jìn)展？請收好這份清單

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？?答案就是：你不認(rèn)識的人。

總有一些你不認(rèn)識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個，讓知識真正流動起來。

??來稿標(biāo)準(zhǔn)：

? 稿件確系個人原創(chuàng)作品，來稿需注明作者個人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?

? 如果文章并非首發(fā)，請在投稿時提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會添加“原創(chuàng)”標(biāo)志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發(fā)送?

? 請留下即時聯(lián)系方式（微信或手機），以便我們在編輯發(fā)布時和作者溝通

?

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁搜索「PaperWeekly」

點擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 獲取更多論文推薦

總結(jié)

以上是生活随笔為你收集整理的推荐系统阅读清单：最近我们在读哪些论文？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。