知識星球
在碎片化閱讀充斥眼球的時代，越來越少的人會去關註每篇論文背後的探索和思考。
在這個欄目裡，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。
點選本文底部的「閱讀原文」即刻加入社群，檢視更多最新論文推薦。
@Ttssxuan 推薦
#Reinforcement Learning
本文使用強化學習進行推薦，並藉助 biclustering 減少狀態和動作空間，最佳化效率和效果。
@Ttssxuan 推薦
#doc2vec
本文將用行為使用 item 描述進行串連，構成檔案，並使用 doc2vec 訓練使用者表示向量。
@paperweekly 推薦
#Reinforcement Learning
本文將增強學習應用於推薦系統，構建了一個線上的 user-agent 互動模擬器，本文工作來自京東等。
Leveraging Long and Short-term Information in Content-aware Movie Recommendation
@zhangjun 推薦
#Generative Adversarial Networks
本文提出了一種新穎的基於生成對抗網路的推薦系統，採用強化學習動態調整歷史長期偏好和短期會話的模型，此外，還加入了封面圖片特徵進一步提升系統效能，最後在兩個資料集上做到 state-of-art 的效能。
@zhangjun 推薦
#Autoencoder
本文給出了一個基於 Autoencoder 的推薦系統框架，同時兼顧顯式反饋和隱式反饋。
@luosha865 推薦
#Deep Learning
論文總結了 2013 年以來，最近 33 篇深度學習應用於推薦系統領域的文章。按照內容相關，協同過濾，混合方法分別進行介紹，可以作為不錯的索引。
@paperweekly 推薦
#POI Recommendation
本文對使用者評論與商品評論進行互動式建模，透過識別與使用者和商品都相關的文字資訊，提取使用者商品聯合特徵，在 Amazon 五個打分預測資料集上均取得了優秀的效能。
@luosha865 推薦
#Recommender System
本文介紹了 Pinterest 的 Pixie 系統，主要針對他們開發的隨機遊走和剪枝演演算法，此外系統本身基於 Stanford Network Analysis Platform 實現。
@zhangjun 推薦
#Random Walks
本文是一篇綜述文章，關於“隨機遊走”在推薦系統中的相關應用。
@zhangjun 推薦
#Deep Learning
本文回顧了大部分推薦系統在深度學習上的方法，並對這些方法進行了宏觀的整合。讓我們瞭解了在推薦系統中，用深度學習的方法和傳統方法相結合的多種方法，可以給我們帶來一些新的啟發。
@jojoe 推薦
#Recommender System
本文將電影與電影標簽之間的對映關係應用到 AutoEncoder 的可見層和隱層的連線中，將使用者對電影的打分情況作為訓練資料，使得最後得到的降維表示具有解釋性（使用者對電影標簽的偏好）。
@jojoe 推薦
#Recommender System
本文結合音頻和文字來進行歌曲推薦，只要給定一首歌就可以進行相關推薦，非常實用。
本文由 AI 學術社群 PaperWeekly 精選推薦，社群目前已改寫自然語言處理、計算機視覺、人工智慧、機器學習、資料挖掘和資訊檢索等研究方向，點選「閱讀原文」即刻加入社群！
我是彩蛋
解鎖新功能：熱門職位推薦！
PaperWeekly小程式升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實習都不是問題
解鎖方式
1. 識別下方二維碼開啟小程式
2. 用PaperWeekly社群賬號進行登陸
3. 登陸後即可解鎖所有功能
職位釋出
請新增小助手微信（pwbot01）進行諮詢
長按識別二維碼，使用小程式
*點選閱讀原文即可註冊
關於PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號後臺點選「交流群」，小助手將把你帶入 PaperWeekly 的交流群裡。
