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。
@somtian 推薦
#Recommender Systems
本文是最新發表的一篇利用深度學習做推薦系統的綜述，不僅從深度學習模型方面對文獻進行了分類，而且從推薦系統研究的問題方面對文獻做了分類。
▲ 論文模型：點選檢視大圖
@daven88 推薦
#Recommender System
本文提出了一種基於 self-attention 的基於序列的推薦演演算法，該演演算法是用 self-attention 從使用者的互動記錄中自己的去學習用的近期的興趣，同時該模型也保留了使用者的長久的興趣。整個網路是在 metric learning 的框架下，是第一次將 self-attention 和 metric learning的結合的嘗試。
實驗結果表明，透過 self-attention，模型可以很好的學習使用者的短期興趣愛好， 並且能有效的提升模型效果。透過和近期的文章得對比發現，該方法可以在很大程度上改善序列化推薦的效果。
▲ 論文模型：點選檢視大圖
Metric Factorization: Recommendation beyond Matrix Factorization
@daven88 推薦
#Recommender System
本文提出了一種新型的推薦系統演演算法——Metric Factorization（距離分解）， 該方法旨在改進傳統的基於矩陣分解的推薦系統演演算法。矩陣分解一個很大的問題就是不符合 inequality property， 這很大程度上阻礙了其表現。
本文提出新型的解決方案，透過把使用者和商品看作是一個低緯空間裡面的點，然後用他們之間的距離來表示他們的距離。透過類似於矩陣分解的 squared loss 就能很好的從已有的歷史資料中學出使用者和商品在這個低維空間的位置。
Metric Factorization 可以用在評分預測和排序兩個經典的推薦場景，並且都取得了 state-of-the-art 的結果，超過基於深度學習以及已有的 Metric learning 的推薦演演算法。
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Session-based Recommendation
本文是聖塔克拉拉大學和 Google 聯合發表於 SIGIR 2018 的工作。在傳統的協同過濾模型中，隱藏因子模型能夠捕捉互動的全域性特徵，基於近鄰的相似度模型能夠捕捉互動的區域性特徵。本文將兩類協同過濾模型進行統一，根據註意力機制和記憶模組刻畫複雜的使用者-物品互動關係。
▲ 論文模型：點選檢視大圖
@Ttssxuan 推薦
#Session-based Recommendation
本文系統地介紹了 Session-based Recommendation，主要針對 baseline methods, nearest-neighbor techniques, recurrent neural networks, 和 (hybrid) factorization-based methods 等 4 大類演演算法進行介紹。
此外，論文使用 RSC15、TMALL、ZALANDO、RETAILROCKET、8TRACKS 、AOTM、30MUSIC、NOWPLAYING、CLEF 等 7 個資料集進行分析，在 Mean Reciprocal Rank (MRR)、Coverage、Popularity bias、Cold start、Scalability、Precision、Recall 等指標上進行比較。
▲ 論文模型：點選檢視大圖
@xuzhou 推薦
#Knowledge Graph
本文是上海交大、微軟亞洲研究院和香港理工大學聯合發表於 CIKM 2018 的工作。為瞭解決協同過濾的稀疏性和冷啟動問題，研究人員通常利用社交網路或專案屬性等輔助資訊來提高推薦效果。本文將知識圖譜應用到推薦系統中，是一個很新穎的方法，給推薦系統提供了一個全新的思路。
▲ 論文模型：點選檢視大圖
@17856500348 推薦
#Recommender System
本文提出了一種基於文章表示學習的方法，在為學術論文進行引文推薦任務上取得了較大成效。將給定的查詢檔案嵌入到向量空間中，然後將其鄰近選項作為候選，並使用經過訓練的判別模型重新排列候選項，以區分觀察到的和未觀察到的取用。此外，本文還釋出了一個包含 700 萬篇研究文章的公開資料集。
▲ 論文模型：點選檢視大圖
@Yagamilight 推薦
#Explainable Recommendation
本文是對“可解釋性推薦系統”相關以及最新研究的調研總結，內容包括問題定義、問題歷史、解決方案、相關應用和未來方向。論文內容較為全面，對於剛接觸這一方向或者已經從事搭配領域的業者學者有很好的借鑒意義，文章最後對於一些可以發展的方向的論述也很有啟發意義。
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Session-based Recommendation
本文是電子科大發表於 KDD 2018 的工作。論文提出了一種短期註意力/記憶優先的網路模型，在建模長時間序列的使用者點選行為時，著重加強使用者近期行為的影響。該方法既考慮了從長期歷史行為挖掘使用者的一般興趣，又考慮了使用者上一次點選挖掘使用者的即時興趣。實驗表明，本文工作在 CIKM16 和 RSC15 兩個經典資料集上均達到了最優結果。
▲ 論文模型：點選檢視大圖
@Minusone 推薦
#Search Ranking
本文是 Airbnb 團隊發表於 KDD 18 的工作，摘得 Applied Data Science Track Best Paper 獎項。論文介紹了 Airbnb 利用 word embedding 的思路訓練 Listing（也就是待選擇的民宿房間）和使用者的 embedding 向量，併在此基礎上實現相似房源推薦和實時個性化搜尋。
▲ 論文模型：點選檢視大圖
@stevechoris 推薦
#E-commerce Recommendation
本文是阿裡巴巴和香港科技大學發表於 SIGKDD 2018 的工作，論文結合節點 side information，解決了圖表示學習中稀疏性和冷啟動問題，在電商 i2i 推薦上取得很好的效果。
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Sequential Recommendation
本文是清華大學發表於 WSDM 2018 的工作。現有的深度學習推薦模型通常把使用者的歷史記錄編碼成一個 latent vector，但是可能會丟失 per-item 的共現資訊。本文提出一種記憶增強的神經網路，把使用者歷史存到 memory 裡，並設計了 read/write 機制更新 memory 內容，使序列網路能更動態地記錄使用者歷史資訊。
▲ 論文模型：點選檢視大圖
@somtian 推薦
#Recommender System
本文是清華大學發表於 WWW 18 的工作，論文利用圖片增強效果，傳統的方法只考慮 CNN 抽取的影象特徵；而本文考慮了圖片中的美學特徵對於推薦的影響；作者利用 BDN 從圖片中學習美學特徵，然後將其融合到 DCF 中，增強使用者-產品，產品-時間矩陣，從而提高了推薦效果；在亞馬遜和 AVA 資料集上都取得了良好的效果。
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Recommender System
本文是南洋理工大學發表於 KDD 2018 的工作。在預測使用者對商品的評分時，如何學習使用者和商品的表示至關重要。本文基於協同註意力機制，在 review-level 和 word-level 對使用者評論和與商品相關的評論進行選擇，選擇最重要的一條或若干條評論來對使用者和商品進行表示。
▲ 論文模型：點選檢視大圖
@charlesyy 推薦
#POI Recommendation
本文來自阿裡巴巴，論文嘗試設計和實現了一種能夠融合使用者多種時序行為資料的方法，較為創新的想法在於提出了一種同時考慮異構行為和時序的解決方案，並給出較為簡潔的實現方式。使用類似 Google 的 self-attention 機制去除 CNN、LSTM 的限制，讓網路訓練和預測速度變快的同時，效果還可以略有提升。 此框架便於擴充套件。可以允許更多不同型別的行為資料接入，同時提供多工學習的機會，來彌補行為稀疏性。
▲ 論文模型：點選檢視大圖
@somtian 推薦
#Recommender System
本文在利用深度學習做推薦時，考慮了推薦的顯式反饋和隱式反饋，將其融合構建成一個矩陣，從而將使用者和產品的不同向量輸入到兩個並行的深層網路中去。最後，設計了一種新型的損失函式以同時考慮評分和互動兩種不同型別的反饋資料。
▲ 論文模型：點選檢視大圖
#推 薦 有 禮#
本期所有入選論文的推薦人
均將獲得PaperWeekly紀念周邊一份
▲ 深度學習主題行李牌/卡套 + 防水貼紙
禮物領取方式
推薦人請根據論文詳情頁底部留言
新增小助手領取禮物
想要贏取以上週邊好禮？
點選閱讀原文即刻推薦論文吧！
點選以下標題檢視往期推薦：
#投 稿 通 道#
讓你的論文被更多人看到
如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？ 答案就是：你不認識的人。
總有一些你不認識的人，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、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。
PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術乾貨。我們的目的只有一個，讓知識真正流動起來。
? 來稿標準：
• 稿件確系個人原創作品，來稿需註明作者個人資訊（姓名+學校/工作單位+學歷/職位+研究方向）
• 如果文章並非首發，請在投稿時提醒並附上所有已釋出連結
• PaperWeekly 預設每篇文章都是首發，均會新增“原創”標誌
? 投稿郵箱：
• 投稿郵箱：hr@paperweekly.site
• 所有文章配圖，請單獨在附件中傳送
• 請留下即時聯絡方式（微信或手機），以便我們在編輯釋出時和作者溝通
?
現在，在「知乎」也能找到我們了
進入知乎首頁搜尋「PaperWeekly」
點選「關註」訂閱我們的專欄吧
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。
▽ 點選 | 閱讀原文 | 獲取更多論文推薦