【论文相关】盘点AAAI2020中的四篇推荐系统好文
AAAI中推薦系統(tǒng)的文章并不多，目之所及處僅有四篇。內(nèi)容上覆蓋了評(píng)論推薦、多目標(biāo)推薦以及圖神經(jīng)網(wǎng)絡(luò)等話題。
本文基于AAAI中的這四篇推薦系統(tǒng)論文，展開(kāi)瞅一瞅它們都講了些什么。
第一篇文章：可解釋評(píng)論的推薦中的非對(duì)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(píng)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(píng)論是用戶主動(dòng)給出的意圖，相比之下更加準(zhǔn)確。現(xiàn)有的方法通常將給定用戶或物品的所有評(píng)論合并到一個(gè)長(zhǎng)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(píng)論是截然不同的。用戶的評(píng)論反映了他們購(gòu)買的各種商品，因此其主題非常不同，而一項(xiàng)商品的評(píng)論僅與該單個(gè)商品相關(guān)，因此在局部上是同質(zhì)的。看上去怎么像繞口令似的，那么我簡(jiǎn)單地翻譯一下：
我買了一條新的裙子并且對(duì)這條裙子給出了評(píng)論，我這個(gè)評(píng)論是只針對(duì)我這次買的這條裙子的。你如果拿我這條評(píng)論去預(yù)測(cè)我對(duì)其他裙子的偏好，這就有問(wèn)題了。
在這項(xiàng)工作中，我們開(kāi)發(fā)了一種新穎的神經(jīng)網(wǎng)絡(luò)模型，該模型通過(guò)非對(duì)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(hào)
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(shuō)并非所有的評(píng)論都是同樣有用的，也不是每個(gè)評(píng)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(píng)論推薦中的不對(duì)稱的注意力問(wèn)題。為了解決這個(gè)問(wèn)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(duì)稱注意模塊來(lái)區(qū)分用戶嵌入和物品嵌入與評(píng)論的學(xué)習(xí)，以及它的層次范式來(lái)提取細(xì)粒度的句子和評(píng)論信號(hào)。
識(shí)別了不對(duì)稱注意力問(wèn)題，并提出基于評(píng)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(píng)論數(shù)據(jù)的不對(duì)稱和層次特征，同時(shí)還支持結(jié)果的可解釋性。
換言之，這是一個(gè)能夠”具體評(píng)論具體分析“的新穎方法，值得一看~
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
本文提出了一個(gè)基于貝葉斯方法的會(huì)話推薦系統(tǒng)。在與用戶進(jìn)行任何交互之后，將更新物品上的概率質(zhì)量函數(shù)，信息理論標(biāo)準(zhǔn)將優(yōu)化交互的形狀，并確定何時(shí)應(yīng)終止會(huì)話并因此推薦最可能的項(xiàng)目。
作者從基本結(jié)構(gòu)判斷中得出用于建模交互的參數(shù)的先驗(yàn)概率的專用啟發(fā)技術(shù)。這樣的先驗(yàn)信息可以與歷史數(shù)據(jù)結(jié)合，以區(qū)分具有不同推薦歷史的物品。
在純貝葉斯方法的基礎(chǔ)上，作者提出了一種新的自動(dòng)推薦方法。該方法假設(shè)系統(tǒng)和用戶之間存在動(dòng)態(tài)交互，從而提供自定義和自適應(yīng)的推薦。本文所介紹的框架為未來(lái)的發(fā)展奠定了基礎(chǔ)，其中問(wèn)題的動(dòng)態(tài)生成是為了改善系統(tǒng)的會(huì)話性質(zhì)。這可以基于一個(gè)自然語(yǔ)言生成系統(tǒng)，與物品屬性的結(jié)構(gòu)化概率描述和用戶需求的激發(fā)交互。
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
推薦系統(tǒng)需要反映應(yīng)用它們的環(huán)境的復(fù)雜性。我們對(duì)可能有益于用戶的知識(shí)越了解，推薦系統(tǒng)的目標(biāo)就越多。此外，除了法律和道德約束外，可能還有多個(gè)利益相關(guān)者-賣方，買方，股東。迄今為止，為具有相關(guān)或不具有相同規(guī)模的多個(gè)目標(biāo)同時(shí)進(jìn)行優(yōu)化是非常困難的。
推薦系統(tǒng)的復(fù)雜應(yīng)用場(chǎng)景，使我們又需要多目標(biāo)模型，但是又很難做好。哎呀，成人的世界就是這么的復(fù)雜。
作者為推薦系統(tǒng)（MGDRec）引入了隨機(jī)的多梯度下降方法來(lái)解決此問(wèn)題。不僅如此，而且通過(guò)梯度歸一化，將具有不同規(guī)模的根本不同的目標(biāo)組合到一個(gè)一致的框架中。文中表明，不相關(guān)的目標(biāo)（如優(yōu)質(zhì)產(chǎn)品的比例）可以提高準(zhǔn)確性。通過(guò)使用隨機(jī)性，避免了計(jì)算完整梯度的陷阱，并為其適用性提供了明確的條件。
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(wèn)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(guò)使用子梯度來(lái)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(lái)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
用戶與物品的交互的時(shí)間順序可以揭示許多推薦系統(tǒng)中時(shí)間演變和順序的用戶行為。用戶將與之交互的項(xiàng)目可能取決于過(guò)去訪問(wèn)的項(xiàng)目。但是，用戶和項(xiàng)目的大量增加使得順序推薦系統(tǒng)仍然面臨著不小的挑戰(zhàn)：
1. 短期用戶興趣建模的難度；
2. 難以吸引長(zhǎng)期用戶興趣；
3. 物品共現(xiàn)模式的有效建模。
為了解決這些挑戰(zhàn)，提出了一種內(nèi)存增強(qiáng)圖神經(jīng)網(wǎng)絡(luò)（MA-GNN），以捕獲長(zhǎng)期和短期的用戶興趣。
具體來(lái)說(shuō)，作者應(yīng)用圖神經(jīng)網(wǎng)絡(luò)在短期內(nèi)為物品上下文信息建模，并利用共享內(nèi)存網(wǎng)絡(luò)捕獲物品之間的長(zhǎng)期依賴關(guān)系。除了對(duì)用戶興趣進(jìn)行建模外，還采用了雙線性函數(shù)來(lái)捕獲相關(guān)項(xiàng)目的共現(xiàn)模式。結(jié)果證明了我們的模型對(duì)Top-K序列化推薦任務(wù)的有效性。
本文的主要觀點(diǎn)概括如下：
為了對(duì)用戶的短期和長(zhǎng)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(lái)捕捉物品的短期上下文信息和長(zhǎng)期依賴關(guān)系。
為了有效地融合短期和長(zhǎng)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(lái)捕捉物品之間的特征相關(guān)性。
MA-GNN的模型架構(gòu)
往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯總結(jié)
以上是生活随笔為你收集整理的【论文相关】盘点AAAI2020中的四篇推荐系统好文的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 【数据分析】Databricks入门：分
- 下一篇： 【论文解读】DCN-M：Google提出