精华内容
下载资源
问答
  • 推荐算法论文

    2018-08-23 11:45:24
    一种推荐算法论文,文章写的很好,联合矩阵分解的推荐算法
  • 购物网站商品推荐算法论文,购物网站商品推荐算法论文
  • 推荐算法经典论文

    2018-11-20 16:54:54
    推荐算法经典论文
  • 论文基于图的相关推荐算法
  • 论文叙述了基于图的推荐算法 包括热传导和物质传播,对现实工程有借鉴和参考意思
  • 今天在《推荐系统开发实战》的读者群里聊天,在探讨技术问题的时候发现也有朋友对一些非...推荐算法工程师和算法工程师的待遇基本差不多,不过不同地方、不同级别的推荐算法工程师待遇肯定是不一样,比如一线的北上广深

    今天在《推荐系统开发实战》的读者群里聊天,在探讨技术问题的时候发现也有朋友对一些非技术的问题比较感兴趣,这里进行总结和分享,希望能够帮助到看这篇文章的人。

    欢迎加我的微信进行技术交流,非技术的人生思考问题也可以进行探讨。我的微信号如下图

    以下问题,随机排序,不分先后!

    Q、推荐算法工程师的工资待遇怎么样

    A:这个问题真的是很直接呀,当然可以理解,毕竟我们工作就是为了赚钱,为了生活。推荐算法工程师和算法工程师的待遇基本差不多,不过不同地方、不同级别的推荐算法工程师待遇肯定是不一样,比如一线的北上广深,刚进入工作环境的应届毕业生起码也得在10K以上了,当然对于一些很优秀的应届毕业生(比如清北、985、211、双一流的硕士起步的)再加上头部互联网公司的SP,月薪待遇起码得20K以上了。

    当然你付出多少,就会有多少收获,一个普本的本科毕业生想要从事推荐算法工程师,我觉得在北上广深这样竞争激烈和人才辈出的市场中,能有一个机会去实践自己的知识和想法就已经很不错了,所以对于薪资这块,还是要结合自身的知识水平取争取薪资,俗话说得好,打铁还需自身硬,所以奋斗吧少年!

    另外大家不要被网上的薪资待遇所迷惑,毕竟网上吹牛是不需要打草稿的,理性对待薪资,认真工作,磨砺技术!

    Q、业务达到什么样的程度,可以使用推荐系统进行个性化推荐

    A:首先我们要搞清楚推荐系统的意义是什么?本质是从海量的信息中筛选用户感兴趣的内容推荐给用户,从而节约用户获取有效信息的时间,继而增加用户对平台的好感,发展成为一个深度用户。

    因此,不要为了使用推荐系统而用推荐系统(不过从私心角度讲,比如一个Java开发者想要学习推荐系统的知识,但是公司的业务还没有达到使用推荐的程度,这个时候可以适当的进行鼓吹和挑起重任,哈哈有点卑劣了),那业务达到什么程度可以使用推荐系统?我个人的见解是业务有流动和转化的用户,同时内容是持续稳定的增长,且用户和内容都有一定的存量,但具体的增长速度和存量的规模需要结合自己的业务进行判断,这个东西目前还没有办法进行量化,前期可以使用一些简单的推荐策略进行推荐,然后随着业务发展可以慢慢进行策略到算法的迭代,继而搭建推荐架构,为推荐算法进行服务。

    Q、刚上推荐算法的时候,没有人工运营的效果好,正常吗

    A:正常!俗话说得好,三个臭皮匠顶个诸葛亮,这里诸葛亮就类比推荐算法,人工运营就好比“臭皮匠”。人工运营集众人的智慧和思路进行接近于完全个性化的推荐,刚引入的推荐算法在其算法先进性、数据完备性/准确性/完整性、整理流程的准确性上都可能存在或多或少的问题。

    但是,理论上算法的效果是不应该低于人工运营的,如果低了,说明这整个推荐过程中肯定存在问题,这时候就要去分析自己的业务逻辑和推荐的算法流程,分析为什么曝光量整体增加很多,但是点击率没有上去的原因。需要考虑曝光的物品是不是用户真正感兴趣的,对自己的数据产出逻辑和算法推荐逻辑进行check。

    作为推荐算法工程师要对自己的算法和算法带来的效果自信! 要为自己的算法和效果负责,不要过多的被需求牵扯!

    Q、推荐算法和数据挖掘的关系是什么

    A:数据挖掘和推荐算法都是AI领域的子集,两者是有交叉的,但并不是完全重合的,比如数据挖掘和推荐算法都会涉及一些算法(比如分类、回归等算法),但两者不同的是对业务的理解和关注的指标,数据挖掘更多是结合算法对数据进行深层次的分析继而得到一些有效的结论,但推荐算法关注的是线上的业务指标(比如点击率、GMV、用户停留时长等)。

    其实在AI领域,很多算法都是重叠的,同一个算法在不同的领域可以做不同的事情,但不会背离其算法的本质,比如一个聚类算法Kmeans,你让他去做回归拟合函数,kidding me?

    Q、推荐算法工程师需要会大数据的知识吗

    A:是需要的,因为大数据时代,数据量的规模都是比较大,单纯的靠一些单机的代码去处理数据是不现实的。

    目前推荐算法的主流有两种方式,一种是使用Spark进行模型的训练和保存,前提也是使用Spark进行训练样本数据的准备;另一种方式是使用深度学习进行模型的训练和保存,但前提也是使用Spark进行训练样本数据的准备。而且作为算法工程师,对于数据的分析、查看也是需要大数据的知识的,比如操作Hive、Hbase、Spark等。

    当然也有例外,比如一下数据量不那么大的业务,往往单机版的程序也可以满足需求,这时候其实不需要大数据的知识,但这种情况是比较少的,更何况多一种技能傍身岂不更好。所以还是建议积累一定的大数据相关的知识,主要集中在Hive、Spark,有精力的话多学一些也无妨!

    Q、如何系统的学习推荐算法

    A:想要系统的学习推荐算法,必须要大概了解一下推荐算法的发展历程,比如从开始的协同过滤,到现在的深度学习、强化学习等,这中间经历多年的发展,目前已经有比较完备的体系了,但是那些学术界和工业界的实践者门也在努力的探索和研究新的算法,创造更大的价值,推动推荐算法的发展。

    可以参考文章:传统机器学习和前沿深度学习推荐模型演化关系

    基础版本的推荐算法和实战可以参考我的书籍《推荐系统开发实战》,相信你学习完这本书之后能有一个0到1的飞跃。然后可以参考王喆老师的《推荐系统深度学习》了解基于深度学习的推荐算法,当然王喆老师的书是比较偏理论的,实践的话可以从Github上搜索一些实战项目进行学习。当然也可以关注公众号:搜索与推荐Wiki。

    所以整体的思路就是从简单学习,再到复杂!从0到1再进阶,同时结合实战项目进行学习。

    Q、在做效果提升时,效果达到一定程度后,停滞不前怎么办

    A:具体要分业务场景,比如多分类,CTR中情况是不一样的。CTR中效果停滞的时候,需要思考业务和整体数据流程,挖掘有效特征,尝试不同的CTR算法进行效果的提升测试。当然这个时候需要结合深层次的数据理解和探查,继而尝试效果的提升。

    同样对于多分类场景,上述的方法也同样适用,除此之外不是盲目的增加特征就能解决问题,有时候也要适当的做减法,分析特征的重要性,剔除不必要的特征,剔除存在多重共线性的特征,同时分析正负样本,分析数据的准确性,且在必要的时候积累更多量的数据进行尝试。

    Q、推荐算法实习生会做什么工作,怎么向上级进行工作汇报

    A:不同企业,不同业务实习生做的工作是不一样的,但肯定做的都是推荐相关的事情,当然如果运气不好,遇见没有责任心的负责人,做的事可能会偏离推荐的方向,不过这种概率很小。

    不过其实我个人更关心的一个问题是:如何做好新人的培养和引领,避免从学校步入社会后的脱轨。首先我觉得新人进入职场后,是需要一个“师父”进行带领的,第一可以帮助其快速融入公司和团队,第二可以给一些工作和技术的帮助,让其快速成长。其次要尊重毕业生或者实习生的兴趣方向,毕竟做自己喜欢的事情和擅长的事情,才能有动力和有效果的输出内容。

    关于如何向上级汇报工作,我觉得首先个人要养成一个好的工作习惯,首先记录每天的工作内容,形成自己的日报(不需要发给其他人),方便自己进行回顾和总结,其次结束每天的工作之后总结一下自己今天遗留的问题和技术上的收获,在脑海里回忆一遍,加深印象。正常周五都是会写周报的,这时候就会突显个人的工作内容了,写周报的时候要注意工作的分类、事情的关键点和取得的成效。下面是我整理的一个样例,写的也有不好的地方仅供参考。

    周报:

    1、用户兴趣模型
        - 调研用户品类偏好模型构建的方案和相关技术资料,整理成文档,链接如:xxxxx
        - 尝试适用xxx算法进行用户品类偏好模型的构建,完成了样本数据准备和代码开发,模型待训练
    2、需求开发
        - 针对xxx提出的需求,进行讨论和方案制定、讨论,并敲定最终方案,如文档:xxxxx
        - 上述方案的逻辑实现,目前已经产出数据,并进行了初步分析,符合预期,已经反馈给xxx,后续问题跟进中
    

    以上只是我的拙见,我也不并不擅长写这个,只是想把自己做的事和成果描述清楚,大家有更好的想法可以在评论区留言进行讨论。

    Q、达到什么样的水平可以收获推荐算法工程师的Offer

    A:同样还是分地区和公司,以北京举例,头部互联网公司对于应届生的要求肯定是要比创业型互联网公司高的,当然这是一个普遍的现象,但并不能代表整体。

    对于创业型的互联网公司更加看重的面试者的实战能力,因为毕竟业务紧张,人员有限,希望入职之后就能尽快的 融入到业务开发中,这时候对于我们来讲,项目经验+和团队契合的擅长的技能将会加速你获取offer。基本关键要求点如下(仅做参考)

    • 熟练掌握常用的推荐算法和原理(CF、MF、线性模型、GBDT/XGBoost/LightGBM、FM/FFM等)
    • 了解深度学习排序算法和基本知识(这里不要求说具体的算法,因为太多了,但常见的W&D、DeepFM、NFM等,且要对其他的一些排序算法有一定的了解)
    • 有一定的编码能力,且掌握大数据相关的知识(包括但不局限于Spark、Hive)
    • 对经典的二段式推荐系统架构有一定的了解(recall、rank)

    对于头部互联网公司要求肯定是比较高了,不仅要求其编码水平强硬,对于其算法的理论能力要求也比较高,如果你在顶会发表一些paper的话,肯定是更好了。头部互联网公司除了上边的核心要求点外,对深度学习的要求更高,不仅要求了解,更多的是熟练掌握。

    所以说具体上述列的基本关键要求点是必须的,在此基础之上努力耕耘,实力越强,机会越多。

    当然会存在一些特殊情况,有一些技术水平很水的人也会得到不错的推荐工作,但这是少数的,且运气成分较大,团队招人也会有特定情景的考虑,有时候真的不是水平越强就一定获得offer(当然这是少数),希望大家还是搞好技术,通过面试,拿到高薪!

    Q、推荐算法工程师的需要掌握哪些技能

    A:我之前总结过一个关于推荐系统的模块分解,如下图所示:

    推荐系统的模块分解

    推荐系统中可以拆分的职责很多,对应的岗位也很多,所以想要从事推荐系统相关的工作不一定要从事推荐算法。

    下图是从网上get的两个推荐算法工程师技能树和推荐系统工程师既能出,列的还算比较全面,大家可以参考。
    推荐系统工程师技能树

    推荐算法工程师技能树

    另外如果大家对于推荐算法的招聘要求不明确的话,可以看心仪公司的推荐算法招聘的岗位要求和职责,这才是最明确的。

    另外对于推荐算法的技能,我觉得更重要的是把自己的知识体系给建立出来,这样根据自己的技能树进行查漏补缺,同时关注业界发表的论文和技术文章,提升自己的知识。大体可以分为几个方向:

    • 传统的推荐算法
    • 基于机器学习的CTR
    • 基于深度学习的CTR
    • 排序与NLP
    • 排序与知识图谱
    • 排序与强化学习
    • 推荐系统中的模块:召回、排序、展示策略、冷启动、画像、特征工程
    • 推荐系统架构
    • 推荐系统相关的前沿论文

    最后更多精彩内容可以关注我的公众号:搜索与推荐Wiki。小编一直从事推荐算法相关的工作,会在公众号分享相关的技术知识!

    最后附上推荐系统演变史


    【技术服务】详情点击查看: https://mp.weixin.qq.com/s/PtX9ukKRBmazAWARprGIAg

    在这里插入图片描述
    扫一扫关注「搜索与推荐Wiki」!号主「专注于搜索和推荐系统,以系列分享为主,持续打造精品内容!

    展开全文
  • 推荐算法综述及深度学习在推荐算法中的应用介绍,徐悦,金跃辉,随着互联网的发展,信息数据呈现爆炸式增长,信息过载问题日益严重。推荐系统是解决信息过载的有效工具,已被广泛应用于多媒体、
  • 关于推荐算法的一种最新研究,同时比较各种算法,提供应用参考
  • VRE中基于内容过滤的论文推荐算法.pdf
  • 基于引文和标签的论文推荐算法研究.pdf
  • 推荐系统原理论文,一种改进的基于用户项目喜好的相似度度量方法
  • 从YouTube算法论文反推其推荐机制

    千次阅读 2017-08-31 09:59:54
    Google的软件工程师 在去年发表论文Deep Neural Networks for YouTube Recommendations,向业界展示了YouTube在机器学习推荐算法上的深度神经网络使用情况。该论文涉及到一些非常技术、非常高级的细节,但它最大的...

    去年,在波士顿举办的第10届ACM推荐系统大会(ACM’s RecSys ‘16)上,来自Google的一个研究团队公布了YouTube推荐系统的深度学习论文:Deep Neural Networks for YouTube Recommendations

    论文作者是Google的软件工程师 Jay Adams 与高级软件工程师 Paul Covington、Embre Sargin,他们向业界展示了YouTube在机器学习推荐算法上的深度神经网络使用情况。该论文涉及到一些非常技术、非常高级的细节,但它最大的意义是为我们完整描绘了YouTube推荐算法的工作原理!!该论文细致、审慎地描述了YouTube检索、筛选并推荐视频时的大量细节。

    算法论文的UP主解析

    YouTube工程师发布在ACM上的算法论文,目标受众显然不是我们这些UP主。但为了流量,阅读并理解该算法的内容,并让它来为我们UP主们服务就显得义不容辞了。接下来就看我们如何从UP主的角度来解析这篇算法论文。

    在论文公布之前,我们上一篇分析YouTube算法的文章(详见AI科技大本营的译文:《想让视频网站乖乖帮你推内容?看看这位小哥是如何跟YouTube斗法的》),关注的主要是观看时长这一个因素,因为我们只能从自己上传的视频数据中来反推YouTube算法的工作原理,这肯定要受限于我们视频的内容和受众。我们之所以了解YouTube的算法,是因为我们解决了一下做视频路上碰到的这个问题:“为什么我们的视频就能这么成功呢?”为此,我们尽最大努力来分析已有的信息,但最初的结果并不理想。尽管我100%支持我们的结论,但我们先前的方法存在两大问题:

    • 仅用频道指标的一部分来做反推,意味着我们在数据上存在巨大的盲点,毕竟我们无法访问竞争性指标、会话指标与点击率。
    • 对于那些基于UP主的指标,YouTube算法所给的权重非常小。它更关心的是观众以及单个视频的指标。换句话说,该算法并不关心你所上传的视频,而是关心你和其他人正在看的视频。

    但在我们写最初那篇文章的时候,YouTube或Google数年来都没公布过有关该算法的任何信息。所以,我们只有自己动手。有了Google新近公布的这篇论文,我们就可以一窥它推荐机制的究竟,并找出其中的重要指标。希望这能回答一个让我们更为辛酸的问题,“为什么有些视频能取得成功?”

    深度学习是个无底洞

    论文简介部分最大的亮点是YouTube确实在用深度学习来驱动推荐算法。这种做法不新鲜,但此次确认证实了大家此前的猜测。作者在论文开头是这样说的:

    在本论文中,我们将集中介绍深度学习对YouTube视频推荐系统的全面影响……跟Google其他领域的产品一样,YouTube同样经历了用深度学习来解决所有通用学习问题的根本性范式转变。

    这就意味着,今后人工调整算法、人工权衡这些调整并将其部署上世界最大的视频分享网站的机会将越来越少。而是由算法实时来读取数据、为视频排名,然后基于这些排名来推荐视频。所以,当YouTube表示他们不知道算法为什么那样做时,有可能他们确实不知道。

    两大神经网络

    该论文以算法的基本架构作为开篇,下面是作者的图示:

    图片描述

    本质上这就是两个大的过滤器,各自有着不同的输入。作者写道:

    该系统由两大神经网络组成,一个用于生成候选视频,一个用来对其排名。

    这两个过滤器及其输入内容,基本上决定了用户在YouTubes上能看到的每一个视频:建议你播放的下一个、推荐给你的视频列表、你所浏览的视频列表……

    第一个过滤器是候选生成器。论文中解释,候选是基于用户的YouTube活动记录产生的,也就是用户的观看历史与观看时长。候选生成器还会考虑相似用户的浏览记录,这一点被称为协同过滤。相似用户是算法通过视频ID、搜索关键词及相关的用户统计信息决定出来的。

    候选生成器的通过率仅为属百分之一,换言之,如果某个视频能从数百个中脱颖而出成为你的候选视频,它必定是跟你的观看记录有关,同时还有一个跟你相似的用户已经看过它。

    第二个是排名过滤器。该论文对排名过滤器进行了大量的深度解析,并列j举出不少有趣的因素。作者写道,排名过滤器是这样给视频排名的:

    基于描述视频和用户的丰富特征,目标期望函数会给每个视频设定分数。根据分数排名,得分最高的视频将被展示给用户。

    由于观看时长是YouTube为用户设定的首要目标,我们只好假定这就是“目标期望函数”的意义。因此,考虑到各种不同的用户输入,该分数的意义就是某视频能够转化成用户观看时长的程度。但不幸的是,事情没有那么简单。根据作者透露,该算法还会考虑很多其他的因素。

    我们在排名过滤器中用到了数百种特征。

    如何对视频进行排名这一块的数学原理非常复杂。论文既没有详述排名过滤器所用的数百项因素,又没有提及他们是如何加权的。但它列举了其中的三大主要因素:浏览记录、搜索记录、观看人数,以及包括新鲜程度在内的其他视频元素。

    每一秒钟都有大量的视频上传到YouTube。向用户推荐这些最新上传的新鲜内容,对YouTube来说极其重要。我们长期观察的结果是,用户喜欢新鲜的内容,即便有些内容跟他的关联程度并不大。

    论文中提到的比较有趣的一点,是算法并不总会受用户所看的上一个视频的影响,除非你的观看记录极其有限。

    我们会优先使用用户的随机观看和关键词搜索记录,然后才会考虑上一个观看视频的数据。

    在论文后面讨论视频封面图和标题的时候,他们提到了点击率的问题:

    举例来说,用户有很大的几率来观看系统推荐的视频,但不太可能基于封面图的选择而去点击其主页……我们最终的排名会根据实时A/B测试的结果不断调整,它大体上就是一个用于预测用户观看时长的简单函数。

    在这里提出点击率的问题其实并未出乎预料。为了能生成更多观看时间,一个视频必须先让人看到才成,其中最好的办法就是做出一个很赞的缩略图并相出一个很赞的标题。这让很多UP主都认为点击率对于视频在算法中的排名极其重要。

    但YouTube知道点击率是可以人为刷上去的,所以他们也给出了应对之策。他们在论文中是这么承认的:

    通过点击率进行排名往往会变相鼓励诱导性的视频内容,用户即便点进去也很少看完视频,因而观看时长能更反映出视频的好坏。

    起码这一机制还算鼓舞人心(译注:对比一下国内某些网站的内容生产机制),作者接下来写到:

    如果用户并未观看最近推荐的视频,页面下一次加载时模型就会自动降低该视频的排名。

    这就说明,如果用户没有点击特定的视频,该算法就不再将其推荐给相似的用户。频道推荐的情况也一样,论文中的证据如下:

    我们观察到的最为重要的信号是用来描述用户此前跟某个视频及其他相似视频的交互的……举例来说,考虑一下用户跟某个频道已经被算法打分过的视频的交互记录:该频道有多少视频被该用户看过?该用户观看同类话题的上一个视频是在什么时间?此类描述用户过往活动的数据特别强大……

    此外,该论文还指出,算法在训练时考虑了YouTube视频所有的观看方式,包括那些推荐算法触及不到的地方:

    训练数据生成自所有观看方式的YouTube视频(包括内嵌在其他网页中的那些),而非仅用我们自己所生成推荐视频。否则,新内容将很难登上推荐榜单,而推荐系统又将过于依赖过往视频的数据。如果用户通过内容查找到的视频不同于我们的推荐,我们就需要能迅速通过推荐系统把该发现传播给其他用户。

    最终,这一切又回到了算法所用的观看时间。正如我们在论文开头所看到的,该算法在设计之初就是一个”目标期望函数“,作者总结”我们的目标就是为了预测用户的观看时长“,”我们最终的排名会根据实时A/B测试的结果不断调整,它大体上就是一个用于预测用户观看时长的简单函数。“

    这也再一次说明了视频观看时间之于算法的重要性,该算法的目的就是为了YouTube网站上能有更多、更长的视频以及更多、更长的用户观看时间。

    一个简单的回顾

    讲了这么多,让我们简单回顾一下:

    • YouTube使用三个主要的观看因素来推荐视频,它们是用户的观看历史、搜索记录以及相关的用户统计信息。
    • 推荐视频是通过候选生成器与排名过滤器的筛选出来的,这两大过滤器决定了YouTube如何读取、筛选视频,如何生成推荐列表。
    • 排名过滤器主要是基于用户输入的因素,其他因素还包括视频的”新鲜程度“和点击率。
    • 推荐算法的设计初衷是持续增加用户在YouTube网站的观看时长,其方法是持续把视频A/B测试的实时结果不断反馈给神经网络,从而使YouTube能不断为用户推荐它大体上就是一个用于预测用户观看时长的简单函数。

    如果你还不明白,咱们就再举一个例子

    我们用一个实例来说明这个推荐系统具体是如何运作的:

    比如说,小明很喜欢YouTube,他有YouTube账号相关的一切。每天浏览YouTube时,他都会在浏览器登录。一旦登录,YouTube便给小明此次浏览的内容创建三个token:浏览记录、搜索记录以及关于他的统计信息。小明可能压根就不知道这三种数据的存在。

    然后轮到候选生成器上场了。YouTube拿这三个token的值跟观看记录类似于小明的用户进行对比,由此筛选出小明可能会喜欢的数百个视频,过滤掉YouTube视频库中数以百万计的其他内容。

    接下来,基于视频和小明的相关性,这些视频被排名算法排序。排序时该算法会考虑这样一些问题:小明有多大的可能会打开这个视频?这个视频有没有可能让小明在YouTube上打发更多时间?这个视频的新鲜程度如何?小明最近在YouTube上的活动程度如何?还有数百个其他的问题。

    经过YouTube算法的读取、筛选和推荐后,排名最高的视频将被推荐给小明。之后小明看与不看的选择数据都会反馈给神经网络,以供算法后续使用。视频被点开,并吸引小明在YouTube上打发更多时间的目标,则一直持续下去。那些小明没有点开的推荐视频,等他下次登录网站时则有可能通不过候选生成器。

    总结

    Deep Neural Networks for YouTube Recommendations这篇论文读起来很棒,它第一次让人从源头直击YouTube推荐算法的内幕!!我们希望能接触到更多的论文,以便在为这个平台制作内容的时候能做出更好的选择。这也是愿意花时间来写这些内容的根本原因。毕竟,更适合该平台的内容就意味着更多的浏览量、更高的收入,从而让我们能有更多的资源来为数以十亿计的用户制作出品质更高、更有吸引力的内容。

    作者:Matt Gielen
    编译:聂震坤
    原文:http://www.tubefilter.com/2017/02/16/youtube-algorithm-reverse-engineering-part-ii/


    图片描述

    CSDN AI热衷分享 欢迎扫码关注

    展开全文
  • 针对海量论文数据导致的应用效率低下问题,提出一个基于层次混合模型的推荐算法WSVD 。该模型根据学术论文良好的结构特征,构建一个加权的论文二部图模型。首先对论文进行特征提取,按不同特征的权重构建论文的复合...
  • 协同显式和隐式主题回归的论文推荐算法.pdf
  • 基于频繁主题集偏好的学术论文推荐算法.pdf
  • 好友推荐算法方面计算机学报的论文,都比较好,本人亲自看过的。
  • 一种综合用户和项目因素的协同过滤推荐算法
  • 作者:学派链接:https://zhuanlan.zhihu.com/p/161705748KDD(https://www.kdd.org/kdd2020/)是推荐领域一个顶级的国际会议...

    作者:学派

    链接:https://zhuanlan.zhihu.com/p/161705748

    KDD(https://www.kdd.org/kdd2020/)是推荐领域一个顶级的国际会议。本次接收的论文按照推荐系统应用场景可以大致划分为:CTR预估、TopN推荐、对话式推荐、序列推荐等。同时,GNN、强化学习、多任务学习、迁移学习、AutoML、元学习在推荐系统的落地应用也成为当下的主要研究点。此届会议有很大一部分来自工业界的论文,包括Google、Microsoft、Criteo、Spotify以及国内大厂阿里、百度、字节、华为、滴滴等。

    CTR Prediction

    1. AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction 【华为诺亚】

    简介:本文采用AutoML的搜索方法选择重要性高的二次特征交互项、去除干扰项,提升FM、DeepFM这类模型的准确率。
    论文:arxiv.org/abs/2003.1123

    2. Category-Specific CNN for Visual-aware CTR Prediction at JD.com 【京东】

    论文:arxiv.org/abs/2006.1033

    3. Towards Automated Neural Interaction Discovering for Click-Through Rate Prediction 【Facebook】

    论文:arxiv.org/abs/2007.0643

    Graph-based Recommendation

    1. A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks 【华为诺亚】

    2. An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph 【Amazon】

    论文:arxiv.org/abs/2007.0021

    3. M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems 【阿里】

    简介:本文通过关联多个视角的图(item-item图、item-shop图、shop-shop图等)增强item表征,用于item召回。
    论文:arxiv.org/abs/2005.1011

    4. Handling Information Loss of Graph Neural Networks for Session-based Recommendation

    5. Interactive Path Reasoning on Graph for Conversational Recommendation

    论文:arxiv.org/abs/2007.0019

    6. A Dual Heterogeneous Graph Attention Network to Improve Long-Tail Performance for Shop Search in E-Commerce 【阿里】

    7. Gemini: A Novel and Universal Heterogeneous Graph Information Fusing Framework for Online Recommendations 【滴滴】

    Conversational Recommendation

    1. Evaluating Conversational Recommender Systems via User Simulation

    论文:arxiv.org/abs/2006.0873

    2. Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

    论文:arxiv.org/abs/2007.0403

    3. Interactive Path Reasoning on Graph for Conversational Recommendation

    论文:arxiv.org/abs/2007.0019

    CF and Top-N Recommendation

    1. Dual Channel Hypergraph Collaborative Filtering 【百度】

    笔记:blog.csdn.net/weixin_42

    2. Probabilistic Metric Learning with Adaptive Margin for Top-K Recommendation 【华为诺亚】

    3. Controllable Multi-Interest Framework for Recommendation 【阿里】

    论文:arxiv.org/abs/2005.0934

    4. Embedding-based Retrieval in Facebook Search 【Facebook】

    论文:arxiv.org/abs/2006.1163

    5. On Sampling Top-K Recommendation Evaluation

    Embedding and Representation

    1. Compositional Embeddings Using Complementary Partitions for Memory-Efficient Recommendation Systems 【Facebook】

    论文:arxiv.org/abs/1909.0210

    2. PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest 【Pinterest】

    论文:arxiv.org/abs/2007.0363

    3. SimClusters: Community-Based Representations for Heterogeneous Recommendations at Twitter 【Twitter】

    4. Time-Aware User Embeddings as a Service 【Yahoo】

    论文:astro.temple.edu/~tuf28

    Sequential Recommendation

    1. Disentangled Self-Supervision in Sequential Recommenders 【阿里】

    论文:http://pengcui.thumedialab.com/papers/Disen...

    2. Handling Information Loss of Graph Neural Networks for Session-based Recommendation

    3. Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective 【阿里】

    论文:arxiv.org/pdf/2006.0452

    RL for Recommendation

    1. Jointly Learning to Recommend and Advertise 【字节跳动】

    论文:arxiv.org/abs/2003.0009

    2. BLOB: A Probabilistic Model for Recommendation that Combines Organic and Bandit Signals 【Criteo】

    3. Joint Policy-Value Learning for Recommendation 【Criteo】

    论文:researchgate.net/public

    Multi-Task Learning

    1. Privileged Features Distillation at Taobao Recommendations 【阿里】

    论文:arxiv.org/abs/1907.0517

    Transfer Learning

    1. Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling 【Salesforce】

    2. Semi-supervised Collaborative Filtering by Text-enhanced Domain Adaptation 【阿里】

    论文:arxiv.org/abs/2007.0708

    AutoML for Recommendation

    1. Neural Input Search for Large Scale Recommendation Models 【Google】

    论文:arxiv.org/abs/1907.0447

    2. Towards Automated Neural Interaction Discovering for Click-Through Rate Prediction 【Facebook】

    论文:arxiv.org/abs/2007.0643

    Federated Learning

    1. FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems

    Evaluation

    1. Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions 【Netflix, Spotify】

    论文:arxiv.org/abs/2007.1298

    2. Evaluating Conversational Recommender Systems via User Simulation

    论文:arxiv.org/abs/2006.0873

    3. 【Best Paper Award】On Sampled Metrics for Item Recommendation 【Google】

    4. On Sampling Top-K Recommendation Evaluation

    Debiasing

    1. Debiasing Grid-based Product Search in E-commerce 【Etsy】

    论文:public.asu.edu/~rguo12/

    2. Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions 【Netflix, Spotify】

    论文:arxiv.org/abs/2007.1298

    3. Attribute-based Propensity for Unbiased Learning in Recommender Systems: Algorithm and Case Studies 【Google】

    论文:research.google/pubs/pu

    POI Recommendation

    1. Geography-Aware Sequential Location Recommendation 【Microsoft】

    论文:staff.ustc.edu.cn/~lian

    Cold-Start Recommendation

    1. MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation

    论文:arxiv.org/abs/2007.0318

    2. Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation

    论文:https://ink.library.smu.edu.sg/cgi/...

    Others

    1. Improving Recommendation Quality in Google Drive 【Google】

    论文:research.google/pubs/pu

    2. Temporal-Contextual Recommendation in Real-Time 【Amazon】

    论文:https://assets.amazon.science/96/71/...
    展开全文
  • 基于引文图模型的科研论文智能推荐算法研究.pdf
  • 下面对本次接收的推荐系统论文进行了筛选和整理。按照推荐系统中的应用场景可以大致划分为:CTR预估、序列推荐、文本类推荐、Job推荐、社交推荐、Bundle推荐等。同时,GNN、知识图谱、知识蒸馏、强化学习、迁移学习...

    作者:学派

    链接:https://zhuanlan.zhihu.com/p/261077109

    CIKM2020(http://www.cikm2020.org/)是数据挖掘相关领域一大盛会,将于10月召开,相关论文列表已经放出。下面对本次接收的推荐系统论文进行了筛选和整理。按照推荐系统中的应用场景可以大致划分为:CTR预估、序列推荐、文本类推荐、Job推荐、社交推荐、Bundle推荐等。同时,GNN、知识图谱、知识蒸馏、强化学习、迁移学习、AutoML在推荐系统的落地应用也成为当下的主要研究点。从工业界参会来看,CIKM2020明显不如KDD2020,主要集中在国内大厂包括阿里、华为、百度、平安等,国外厂商少见。

    论文链接将持续更新...

    CTR Prediction

    1. Deep Time-Aware Item Evolution Network for Click-Through Rate Prediction

    2. 【阿里、蚂蚁金服】MTBRN: Multiplex Target-Behavior Relation Enhanced Network for Click-Through Rate Prediction

    论文:arxiv.org/abs/2008.0567

    3. Deep Multi-Interest Network for Click-through Rate Prediction

    4. 【阿里】MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction

    论文:arxiv.org/abs/2008.0297

    5. 【阿里】Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-through Rate Prediction

    论文:arxiv.org/abs/2006.0563

    6. Dimension Relation Modeling for Click-Through Rate Prediction

    7. 【华为】AutoFeature: Searching for Feature Interactions and Their Architectures for Click-through Rate Prediction

    8. 【华为】Ensembled CTR Prediction via Knowledge Distillation

    9. Deep Interaction Machine: A Simple but Effective Model for High-order Feature Interactions

    GNN based Recommendation

    1.【华为】TGCN: Tag Graph Convolutional Network for Tag-Aware Recommendation

    2. Star Graph Neural Networks for Session-based Recommendation

    3. DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation

    4. Multiplex Graph Neural Networks for Multi-behavior Recommendation

    5. Time-aware Graph Relational Attention Network for Stock Recommendation

    6. 【华为】GraphSAIL: Graph Structure Aware Incremental Learning for Recommender Systems

    论文:arxiv.org/abs/2008.1351

    7. Graph Neural Network for Tag Ranking in Tag-enhanced Video Recommendation

    8. Decoupled Graph Convolution Network for Inferring Substitutable and Complementary Items

    论文:https://github.com/guyulongcs/CIKM2020_DecGCN...
    代码:guyulongcs/CIKM2020_DecGCN

    Knowledge Graph-enhanced Recommendation

    1. News Recommendation with Topic-Enriched Knowledge Graphs

    2. Multi-modal Knowledge Graphs for Recommender Systems

    论文:zheng-kai.com/paper/cik

    3. CAFE: Coarse-to-Fine Knowledge Graph Reasoning for E-Commerce Recommendation

    4. MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings

    论文:https://people.cs.aau.dk/~matteo/publications...

    Sequential Recommendation

    1. Hybrid Sequential Recommender via Time-aware Attentive Memory Network

    2. Improving End-to-End Sequential Recommendations with Intent-aware Diversification

    3. Quaternion-based self-Attentive Long Short-term User Preference Encoding for Recommendation

    4. Star Graph Neural Networks for Session-based Recommendation

    5. S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization

    6. DynamicRec: A Dynamic Convolutional Network for Next Item Recommendation

    Text-based Recommendation

    1. Set-Sequence-Graph: A Multi-View Approach Towards Exploiting Reviews for Recommendation

    2. TPR: Text-aware Preference Ranking for Recommender Systems

    3. News Recommendation with Topic-Enriched Knowledge Graphs

    4. Transformer Models for Recommending Related Questions in Web Search

    5. ArXivDigest: A Living Lab for Personalized Scientific Literature Recommendation

    Job Recommendation

    1.【BOSS直聘】Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network

    论文:arxiv.org/abs/2009.1329

    2. 【平安】Learning Effective Representations for Person-Job Fit by Feature Fusion

    论文:arxiv.org/abs/2006.0701

    Location-based Recommendation

    1. STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation

    2. Learning Graph-Based Geographical Latent Representation for Point-of-Interest Recommendation

    3. Magellan: A Personalized Travel Recommendation System Using Transaction Data

    Social Recommendation

    1. Partial Relationship Aware Influence Diffusion via Multi-channel Encoding Scheme for Social Recommendation

    2. DREAM: A Dynamic Relation-Aware Model for social recommendation

    Ranking/Re-ranking

    1.【华为】Personalized Re-ranking with Item Relationships for E-commerce

    2. Personalized Flight Itinerary Ranking at Fliggy

    3. Deep Multifaceted Transformers for Multi-objective Ranking in Large-Scale E-commerce Recommender Systems

    4. 【华为】U-rank: Utility-oriented Learning to Rank with Implicit Feedback

    5. E-commerce Recommendation with Weighted Expected Utility

    Recommendation Diversity

    1. ART (Attractive Recommendation Tailor): How the Diversity of Product Recommendations Affects Customer Purchase Preference in Fashion Industry?

    2. P-Companion: A Principled Framework for Diversified Complementary Product Recommendation

    Explainable Recommendation

    1. Explainable Recommender Systems via Resolving Learning Representations

    2. Generating Neural Template Explanations for Recommendation

    User Profiling

    1. Ranking User Attributes for Fast Candidate Selection in Recommendation Systems

    2. Learning to Build User-tag Profile in Recommendation System

    3. Masked-field Pre-training for User Intent Prediction

    Online Advertising

    1. Representative Negative Instance Generation for Online Ad Targeting

    2. 【Yahoo】Learning to Create Better Ads: Generation and Ranking Approaches for Ad Creative Refinement

    论文:arxiv.org/abs/2008.0746

    3. 【阿里】A Deep Prediction Network for Understanding Advertiser Intent and Satisfaction

    论文:arxiv.org/pdf/2008.0893

    Knowledge Distillation for Recommendation

    1. DE-RRD: A Knowledge Distillation Framework for Recommender System

    2. 【华为】Ensembled CTR Prediction via Knowledge Distillation

    AutoML for Recommendation

    2.【华为】AutoFeature: Searching for Feature Interactions and Their Architectures for Click-through Rate Prediction

    RL for Recommendation

    1. 【百度】Whole-Chain Recommendations

    论文:Whole-Chain Recommendations

    Cold-Start and Transfer Learning

    1. Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval

    2. Dual Autoencoder Network with Swap Reconstruction for Cold-Start Recommendation

    3. Cross Domain Recommendation via Bi-directional Transfer Graph Collaborative Filtering Networks

    4. 【阿里】MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction

    论文:arxiv.org/abs/2008.0297

    Bundle/Group Recommendation

    1. Personalized Bundle Recommendation in Online Game

    Debiasing

    1. Feedback Loop and Bias Amplification in Recommender Systems

    2. Exploring Missing Interactions: A Convolutional Generative Adversarial Network for Collaborative Filtering

    Evaluation

    1. Critically Examining the Claimed Value of Convolutions over User-Item Embedding Maps for Recommender Systems

    2. Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms

    3. LensKit for Python: Next-Generation Software for Recommender Systems Experiments

    New Scenarios

    1. 【阿里】EdgeRec: Recommender System on Edge in Mobile Taobao

    2. Leveraging Historical Interaction Data for Improving Conversational Recommender System

    Others

    1. Live Multi-Streaming and Donation Recommendations via Coupled Donation-Response Tensor Factorization

    2. Selecting Influential Features by a Learnable Content-Aware Linear Threshold Model

    3. Attacking Recommender Systems with Augmented User Profiles

    展开全文
  • (1)我将长尾推荐系统相关论文做了一个整理,主要包括:论文题目、发表的会议/期刊(出处)、发表时间、被引量(主要是google scholar),有的论文将对其内容进行简单介绍。最后提供论文pdf的网盘资源,需要自取!...
  • 基于标签的推荐算法已成为研究热点,现有相关研究集中在利用标签改进协同过滤推荐算法和基于内容的推荐算法,鲜有研究把标签引入更先进的矩阵分解推荐算法。而现有矩阵分解推荐算法大多使用商品类别作为因子向量对...
  • 融合Word2vec与时间因素的馆藏学术论文推荐算法.pdf
  • 针对虚拟研究环境中的重要资源论文,提出了基于内容过滤的推荐算法,即根据研究者兴趣实现个性化服务,推荐所需论文。该算法采用矢量空间模型作为用户兴趣和资源描述模型,使用余弦相似度计算资源推荐度;基于效率...
  • 论文研究-基于泛函网络的组合推荐算法.pdf, 在研究组合算法的基础上,提出一种基于泛函网络实现前融合推荐算法. 探讨Vague集条件下推荐算法的前融合问题,给出了基于...
  • 一种基于语言模型的科技论文推荐算法,张力,李学明,科研人员在进行科技文献写作时通常会查阅大量的相关文献,因此他们不得不对海量论文进行甄别。为了提高效率,本文借鉴了在商业领
  • 随着电子商务的发展,传统的单机计算模型难以满足海量数据的实时推荐需求,基于协同过滤的推荐算法的缺陷也越来越明显。为此,提出一种利用Spark计算模型实现分布式推荐的方法。该推荐方法采用基于谱聚类和朴素...
  • 融合网络图模型和排序模型的论文个性化推荐算法.pdf
  • 基于深度学习的论文个性化推荐算法.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 69,957
精华内容 27,982
关键字:

关于推荐算法的论文