Слияние кода завершено, страница обновится автоматически
Этот репозиторий предоставляет список статей, включающий всесторонние обзоры, классические системы рекомендаций, социальные системы рекомендаций, рекомендательные системы на основе глубокого обучения, проблемы холодного старта в системах рекомендаций, хеширование для систем рекомендаций, проблемы исследования и эксплуатации, объяснительные системы рекомендаций, а также прогнозирование клик-через-рейтинг для систем рекомендаций. Для получения дополнительных постов о системах рекомендаций перейдите на ML_RSer.
[Новое!] Добавлена новая часть Metrics RS.
[Новое!] Добавлена новая часть Review based RS.
[Новое!] Добавлена новая часть Knowledge Graph for RS.
============================================================================01-Surveys: набор всесторонних обзоров по системам рекомендаций, включая гибридные системы рекомендаций, социальные системы рекомендаций, системы рекомендаций для мест, системы рекомендаций на основе глубокого обучения и т.д.
02-General RS: набор известных статей по рекомендациям, которые используют классические модели и практические теории для прогнозирования.
03-Social RS: несколько статей, которые используют информацию о доверии/социальных связях для уменьшения разреженности данных оценок.
04-Deep Learning-based RS: набор статей по построению системы рекомендаций с использованием методов глубокого обучения.
05-Cold Start Problem in RS: некоторые статьи, специально посвященные проблемам холодного старта, присущим колаборативному фильтрованию.
06-User-Generated RS: этот раздел посвящен помощи пользователям в поиске привлекательных мест с использованием информации из локальных социальных сетей.
07-Efficient RS: некоторые хэширующие техники для систем рекомендаций, чтобы улучшить процесс обучения и предоставление рекомендаций.
08-Exploration and Exploitation Problem in RS: статьи о проблемах исследования и эксплуатации в рекомендациях.09-Объяснительные РС: этот раздел посвящен решению проблемы "почему". Они не только предоставляют пользователям рекомендации, но и делают их осознанными относительно причин, по которым им предлагают определенные товары, генерируя объяснения рекомендаций.10-Прогнозирование CTR для РС: как часть рекомендаций, прогнозирование клик-через-рейтинг сосредоточено на детализации набора кандидатов для рекомендаций.
11-Знаниевая Сеть для РС: знаниевая сеть, как дополнительная информация для матрицы взаимодействия поведения в последние годы, которая эффективно смягчает проблему редкости данных и холодного старта, и может предоставить надежное объяснение для результатов рекомендаций.
12-Отзывы_РС: статьи о рекомендациях на основе отзывов или текстовых данных.
13-КонVERSATIONAL_РС: использование технологий обработки естественного языка для интерактивного предоставления рекомендаций
============================================================================
*Все статьи отсортированы по годам для ясности.
Burke et al. Гибридные системы рекомендаций: обзор и эксперименты. USER MODEL USER-ADAP, 2002.
Adomavicius et al. К направлениям следующего поколения систем рекомендаций: обзор и возможные расширения. IEEE TKDE, 2005.
Su et al. Обзор методов коллаборативного фильтрации. Advances in artificial intelligence, 2009.
Asela et al. Обзор метрик оценки точности задач рекомендаций. J. Mach. Learn. Res, 2009.
Cacheda et al. Сравнение алгоритмов коллаборативного фильтрации: ограничения текущих техник и предложения для масштабируемых, высокопроизводительных систем рекомендаций. ACM TWEB, 2011.* Zhang et al. Обзор тег-осознанных систем рекомендаций. J COMPUT SCI TECHNOL, 2011.
Tang et al. Обзор социальных рекомендаций. SNAM, 2013.
Yang et al. Обзор коллаборативных систем рекомендаций на основе социальных сетей. COMPUT COMMUN, 2014.
Shi et al. Совместное фильтрование за пределами матрицы пользователь-предмет: обзор современных методов и будущих вызовов. ACM COMPUT SURV, 2014.
Chen et al. Рекомендательные системы на основе пользовательских отзывов: обзор современных методов. USER MODEL USER-ADAP, 2015.
Xu et al. Обзор социальных сетей и рекомендательных систем. Int. J. Social Network Mining, 2015.
Yu et al. Обзор рекомендательных систем для точек интереса в локационных социальных сетях. In Workshops at AAAI, 2015.
Efthalia et al. Параллельное и распределенное совместное фильтрование: обзор. Comput. Surv., 2016.
Singhal et al. Использование глубокого обучения в современных рекомендательных системах: обзор недавних работ. arXiv, 2017.
Muhammad et al. Кросс-доменные рекомендательные системы: систематический обзор литературы. ACM Comput. Surv, 2017.
Massimo et al. Рекомендательные системы, учитывающие последовательность действий. ACM Comput. Surv, 2018.
Zhang et al. Обзор рекомендательных систем на основе глубокого обучения: новые перспективы. ACM Comput. Surv, 2018.
Batmaz et al. Обзор глубокого обучения для рекомендательных систем: вызовы и решения. Artificial Intelligence Review, 2018.* Zhang et al. Объяснимые рекомендации: обзор и новые перспективы. arXiv, 2018.
Liu et al. Обзор методов факторизации матрицы для рекомендательных систем с интеграцией социальной информации. Journal of Software, 2018.
Shoujin et al. Обзор сессионных рекомендательных систем. arXiv, 2019.
Shoujin et al. Последовательные рекомендательные системы: вызовы, прогресс и перспективы. IJCAI, 2019.
Zhu et al. Исследовательский комментарий по рекомендациям с дополнительной информацией: обзор и направления исследований. Electron. Commer. Res. Appl., 2019.
Lina et al. Рекомендации в Интернете вещей: требования, вызовы и направления. IEEE Internet Comput., 2019.
Sriharsha et al. Обзор групповых рекомендательных систем. J. Intell. Inf. Syst., 2019.
Dietmar et al. Обзор беседовых рекомендательных систем. arXiv, 2020.
Qingyu et al. Обзор рекомендательных систем на основе знаний из графа. arXiv, 2020.
Yang et al. Глубокое обучение на графе знаний для рекомендательных систем: обзор. arXiv, 2020.
Wang et al. Обзор подходов к обучению графам для рекомендательных систем. arXiv, 2020.
Yaşar et al. Противодействие машинному обучению в рекомендательных системах - состояние искусства и вызовы. arXiv, 2020.
Mei et al. Рекомендательные системы для Интернета вещей - обзор. arXiv, 2020.
Goldberg et al. Использование коллаборативного фильтрации для создания информационного ткачества. COMMUN ACM, 1992.* Ресник и др. GroupLens: открытая архитектура для коллаборативного фильтрации новостей из интернета. CSCW, 1994.
Сарвар и др. Применение метода уменьшения размерности в рекомендательных системах - исследование случая. 2000.
Сарвар и др. Алгоритмы коллаборативного фильтрации на основе предметов. WWW, 2001.
Линден и др. Рекомендации Amazon.com: алгоритмы коллаборативного фильтрации на основе предметов. IEEE INTERNET COMPUT, 2003.
Лемир и др. Slope one предикторы для онлайн-рейтингового коллаборативного фильтрации. SDM, 2005.
Цзou и др. Бипартитная сетевая проекция и персональные рекомендации. Physical Review E, 2007.
Мин и др. Вероятностное матричное разложение. NIPS, 2008.
Корен и др. Факторизация встречает соседей: многогранная модель коллаборативного фильтрации. SIGKDD, 2008.
Пан и др. Одноуровневая коллаборативная фильтрация. ICDM, 2008.
Hu и др. Коллаборативная фильтрация для наборов данных с неявной обратной связью. ICDM, 2008.
Ваймер и др. Улучшение максимального отступа матричного разложения. Machine Learning, 2008.
Корен и др. Техники матричного разложения для рекомендательных систем. Computer, 2009.
Агарвал и др. Регрессионные модели скрытых факторов. SIGKDD, 2009.
Корен и др. The bellkor решение для Netflix Grand Prize. Netflix prize documentation, 2009.
Рендел и др. BPR: Байесовская персонализированная ранжировка из неявной обратной связи. UAI, 2009.* Корен и др. Коллаборативная фильтрация с временной динамикой. COMMUN ACM, 2010.
Хосхнешин и др. Коллаборативная фильтрация через евклидово вложение. RecSys, 2010.
Луи и др. Онлайн эволюционная коллаборативная фильтрация. RecSys, 2010.
Корен и др. Факторизация соседей: масштабируемая и точная коллаборативная фильтрация. TKDD, 2010.
Чен и др. Факторная матричная факторизация. arXiv, 2011.
Рендел. Обучение рекомендательных систем с адаптивной регуляризацией. WSDM, 2012.
Zhong et al. Контекстная коллаборативная фильтрация через иерархическую матричную факторизацию. SDM, 2012.
Lee et al. Локальная низкоранговая матричная аппроксимация. ICML, 2013.
Kabbur et al. Fism: факторизованные модели сходства элементов для топ-n систем рекомендаций. KDD, 2013.
Johnson et al. Логистическая матричная факторизация для неявной обратной связи. НIPS Workshop, 2014.
Hu et al. Ваши соседи влияют на ваши оценки: о географическом влиянии соседства на прогнозирование оценок. SIGIR, 2014.
Hernández-Lobato et al. Вероятностная матричная факторизация с нерандомизированными пропущенными данными. ICML, 2014.
Yang et al. TopicMF: одновременное использование оценок и отзывов для рекомендаций. AAAI, 2014.
Shi et al. Семантическая путь-базированная персонализированная рекомендация на взвешенных гетерогенных информационных сетях. CIKM, 2015.* Grbovic et al. E-commerce в вашем почтовом ящике: рекомендации товаров на больших объемах данных. KDD, 2015.
Barkan et al. Item2vec: нейронная вставка элементов для коллаборативного фильтрации. Машинное обучение для обработки сигналов, 2016.
Liang et al. Моделирование пользовательской экспозиции в рекомендациях. WWW, 2016.
He et al. Быстрая матричная факторизация для онлайн-рекомендаций с неявной обратной связью. SIGIR, 2016.
Hsieh et al. Коллаборативное метрическое обучение. WWW, 2017.
He et al. Рекомендация на основе перевода. RecSys, 2017.
Bayer et al. Общий фреймворк координатного спуска для обучения на основе неявной обратной связи. WWW, 2017.
Ruining et al. Рекомендация на основе перевода. RecSys, 2017.
Rajiv et al. Рекомендация последовательностей на основе перевода факторизационных машин. RecSys 2018.
Gao et al. BiNE: Бипартитная вставка сети. SIGIR, 2018.
Xiangnan et al. Противостоящая персонализированная ранжировка для рекомендаций. SIGIR, 2018.
Zhang et al. Метрическая факторизация: рекомендации за пределами матричной факторизации. 2018.
Lei et al. Спектральное коллаборативное фильтрация. RecSys, 2018.
Feng et al. Противостоящее коллаборативное нейронное сеть для устойчивых рекомендаций. SIGIR, 2019.
Chen et al. Вставка сходства коллаборации для систем рекомендаций. arXiv, 2019.
Chuan et al. Вставка гетерогенной информационной сети для рекомендаций. TKDE, 2019.* Huafeng et al. Глубокая генеративная ранжировка для персонализированных рекомендаций. Recsys, 2019.* Xiang et al. Нейрографическая коллаборативная фильтрация. SIGIR, 2019.
Wenjie et al. Устранение шума неявной обратной связи для рекомендаций. arXiv, 2020.
Rendle et al. Нейрографическая коллаборативная фильтрация против матричной факторизации: переосмысление. arXiv, 2020.
Ma, Hao, et al. Sorec: социальная рекомендация с помощью вероятностной матричной факторизации. CIKM, 2008.
Jamali et al. Trustwalker: модель случайного блуждания для объединения рекомендаций на основе доверия и предметов. SIGKDD, 2009.
Ma et al. Обучение рекомендациям с использованием отношений доверия и недоверия. RecSys, 2009.
Ma et al. Обучение рекомендациям с использованием социального объединения доверия. SIGIR, 2009.
Jamali et al. Техника матричной факторизации с распространением доверия для рекомендаций в социальных сетях. RecSys, 2010.
Ma, Hao, et al. Рекомендательные системы с социальной регуляризацией. WSDM, 2011.
Ma, Hao et al. Обучение рекомендациям с использованием явных и неявных социальных отношений. ACM T INTEL SYST TEC, 2011.
Ma, Hao. Экспериментальное исследование неявной социальной рекомендации. SIGIR, 2013.
Yang et al. Социальная коллаборативная фильтрация по доверию. IJCAI, 2013.* Jiliang et al. Использование локального и глобального социального контекста для рекомендаций. IJCAI, 2013.
Zhao et al. Использование социальных связей для улучшения персонализированного ранжирования для коллаборативной фильтрации. CIKM, 2014.
Chen et al. Контекстно-зависимая коллаборативная тематическая регрессия с социальной матричной факторизацией для рекомендательных систем. AAAI, 2014.
Guo et al. TrustSVD: коллаборативная фильтрация с явным и неявным влиянием пользовательского доверия и предметных оценок. AAAI, 2015.
Wang et al. Социальная рекомендация с сильными и слабыми связями. CIKM, 2016.
Jiliang et al. Рекомендация с социальными измерениями. AAAI, 2016.
Li et al. Социальная рекомендация с использованием евклидового вложения. IJCNN, 2017.
Zhang et al. Коллаборативное вложение пользовательской сети для социальных рекомендательных систем. SDM, 2017.
Yang et al. Социальная коллаборативная фильтрация по доверию. IEEE T PATTERN ANAL, 2017.
Park et al. UniWalk: объяснимая и точная рекомендация для данных оценок и сети. arXiv, 2017.
Rafailidis et al. Обучение ранжированию с доверием и недоверием в рекомендательных системах. RecSys, 2017.
Xixi и соавторы. Добавление ко-кластеризации с социальным влиянием для рекомендаций. RecSys, 2017.
Zhao и соавторы. Совместная фильтрация с локальными моделями социального влияния. ICDM, 2017.* Wang и соавторы. Социальная совместная фильтрация с учетом экспозиции: модульный подход к социальным рекомендациям. AAAI, 2018.
Wenqi и соавторы. Глубокая модель социальных отношений для рекомендаций. AAAI, 2018.
Xuying и соавторы. Персонализированные рекомендации с сохранением приватности в социальных сетях. AAAI, 2018.
Liu и соавторы. Социальные рекомендации с основным пространством предпочтений. AAAI, 2018.
Wen и соавторы. Метод рекомендаций на основе вложения графа в социальных сетях. WWW Poster, 2018.
Lin и соавторы. Рекомендательные системы с регуляризацией, учитывающей социальные характеристики. CIKM Short Paper, 2018.
Yu и соавторы. Адаптивное идентификация неявных друзей на основе гетерогенного графа для социальных рекомендаций. CIKM, 2018.
Honglei и соавторы. Социальная совместная фильтрация с ансамблем. PRICAI, 2018.
Wenqi и соавторы. Графовые нейронные сети для социальных рекомендаций. WWW, 2019.
Song и соавторы. Сессионные социальные рекомендации через динамические графовые сети внимания. WSDM, 2019.
Wenqi и соавторы. Глубокая социальная совместная фильтрация. RecSys, 2019.
Wenqi и соавторы. Глубокая противопоставленная социальная рекомендация. IJCAI, 2019.
Qitian и соавторы. Многоадресное обучение на основе эволюции признаков для совместной фильтрации с учетом социального доверия. IJCAI, 2019.* Wu и соавторы. SocialGCN: Эффективная модель на основе графовых свёрток для социальных рекомендаций. AAAI, 2019.
Wu и соавторы. Двойные графовые сети внимания для глубокого скрытого представления многогранного социального влияния в системах рекомендаций. WWW, 2019.
Chong Chen и соавторы. Эффективная адаптивная трансферная нейронная сеть для социальных рекомендаций. SIGIR, 2019.
Wu и соавторы. Модель нейронного распространения влияния для социальных рекомендаций. SIGIR, 2019.
Cheng и соавторы. Эффективная адаптивная трансферная нейронная сеть для социальных рекомендаций. SIGIR, 2019.
Chong и соавторы. Социальная модель памяти внимания: моделирование аспектов и дружеских различий в рекомендациях. WSDM, 2019.
Yang и соавторы. Моделирование высокоразмерных социальных отношений для рекомендаций товаров. arXiv, 2020.
Junliang и соавторы. Улучшение социальных рекомендаций с помощью графовых свёрток с противопоставлением. TKDE, 2020.
Zhaochao и соавторы. Безопасные социальные рекомендации на основе секретного разделения. arXiv, 2020.
Salakhutdinov и соавторы. Ограниченные Boltzmann машины для коллаборативного фильтрации. ICML, 2007.
Aäron и соавторы. Глубокое содержание-ориентированное музыкальное рекомендование. NIPS, 2013.
Huang и соавторы. Обучение глубоких структурированных семантических моделей для поиска в Интернете с использованием данных кликов. CIKM, 2013.* Wang et al. Коллаборативное глубокое обучение для рекомендательных систем. KDD, 2015.
Sedhain et al. Autorec: Автоматические кодировщики встречают коллаборативное фильтрацию. WWW, 2015.
Ali et al. Многоуровневый подход на основе глубокого обучения для кросс-доменной моделирования пользователей в рекомендательных системах. WWW, 2015.
Li et al. Глубокое коллаборативное фильтрация через маргинализированное шумоподавляющее автоэнкодер. CIKM, 2015.
Ruining et al. VBPR: Визуальный байесовский персонализированный ранжированный метод из неявной обратной связи. AAAI, 2016.
Hidasi et al. Рекомендации на основе сессий с рекуррентными нейронными сетями. ICLR, 2016.
Covington et al. Глубокие нейронные сети для рекомендаций YouTube. RecSys, 2016.
Cheng et al. Wide & deep обучение для рекомендательных систем. Workshop on RecSys, 2016.
Zheng et al. Нейронный автокоррелирующий подход к коллаборативному фильтрации. ICML, 2016.
Wu et al. Коллаборативное шумоподавляющее автоэнкодер для топ-n рекомендательных систем. WSDM, 2016.
Tan et al. Улучшенные рекуррентные нейронные сети для сессионных рекомендаций. Workshop on Deep Learning for Recommender Systems, 2016.
Kang et al. Визуально-ориентированная мода рекомендация и дизайн с генеративными изображениями моделями. ICDM, 2017.
Wu et al. Рекуррентные рекомендательные сети. WSDM, 2017.
Lian et al. CCCFNet: содержание-усиленная коллаборативная фильтрация нейронная сеть для кросс-доменной рекомендательных систем. WWW, 2017.* Хе и др. Outer Product-based Neural Collaborative Filtering. IJCAI, 2018.
Дунг и др. CFGAN: A Generic Collaborative Filtering Framework based on Generative Adversarial Networks. CIKM, 2018.
Чжоу и др. Learning and Transferring IDs Representation in E-commerce. KDD, 2018.
Лянг и др. Variational Autoencoders for Collaborative Filtering. WWW, 2018.
Эбесу и др. Collaborative Memory Network for Recommendation Systems. SIGIR, 2018.
Лян и др. xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems. KDD, 2018.
Чжан и др. Next Item Recommendation with Self-Attention. 2018.
Ли и др. Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors. KDD, 2018.
Грбович и др. Real-time Personalization using Embeddings for Search Ranking at Airbnb. KDD, 2018.
Йинг и др. Graph Convolutional Neural Networks for Web-Scale Recommender Systems. KDD, 2018.
Ху и др. Leveraging meta-path based context for top-n recommendation with a neural co-attention model. KDD, 2018.
Кристакопулу и др. Local Latent Space Models for Top-N Recommendation. KDD, 2018.
Бхагат и др. Buy It Again: Modeling Repeat Purchase Recommendations. KDD, 2018.
Ван и др. Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba. KDD, 2018.* Тран и др. Regularizing Matrix Factorization with User and Item Embeddings for Recommendation. CIKM, 2018.
Чжоу и др. Micro Behaviors: A New Perspective in E-commerce Recommender Systems. WSDM, 2018.
Чжень и др. Sequential Recommendation with User Memory Networks. WSDM, 2018.
Бютель и др. Latent Cross: Making Use of Context in Recurrent Recommender Systems. WSDM, 2018.
Танг и др. Personalized Top-n Sequential Recommendation via Convolutional Sequence Embedding. WSDM, 2018.
Чэй и др. CFGAN: A Generic Collaborative Filtering Framework Based on Generative Adversarial Networks. CIKM, 2018.
Ву и др. Session-based Recommendation with Graph Neural Networks. AAAI, 2019.
Чжэнь-Чжун и др. DeepCF: A Unified Framework of Representation Learning and Matching Function Learning in Recommender System. AAAI, 2019.
Цзэпин и др. Адаптивная модель пользователя с учетом долгосрочных и краткосрочных предпочтений для персонализированных рекомендаций. IJCAI, 2019.
Дунгси и др. BPAM: Рекомендации на основе BP-нейронной сети с механизмом внимания. IJCAI, 2019.
Цин и др. CFM: Конволюционные факторизационные машины для контекстно-зависимых рекомендаций. IJCAI, 2019.
Сяоцзу и др. Коллаборативное метрическое обучение с памятной сетью для рекомендательных систем с множественными отношениями. IJCAI, 2019.
Цзюньян и др. Конволюционные гауссовские эмбеддинги для персонализированных рекомендаций с неопределенностью. IJCAI, 2019.
Фэньюан и др. DARec: Глубокое доменное адаптивное обучение для кросс-доменных рекомендаций через перенос рейтинговых моделей. IJCAI, 2019.* Янан и др. Обучение общей вершинной представительной модели в гетерогенных графах с конволюционными сетями для рекомендаций. IJCAI, 2019.
Жяньянь и др. STAR-GCN: Стекированная и восстановленная графовая конволюционная сеть для рекомендательных систем. IJCAI, 2019.
Ан и др. CosRec: 2D конволюционная нейронная сеть для последовательных рекомендаций. CIKM, 2019.
Сун и др. BERT4Rec: Последовательные рекомендации с использованием двунаправленного кодирования представлений из трансформеров. CIKM, 2019.
Хонгвей и др. Многоцелевое обучение признаков для улучшения рекомендаций с использованием знаний графа. WWW, 2019.
Маурицио и др. Действительно ли мы добились значительного прогресса? Пугающий анализ недавних подходов к нейронным рекомендациям. RecSys, 2019.
Маурицио и др. Пугающий анализ воспроизводимости и прогресса в исследованиях рекомендательных систем. arXiv, 2019.
Цин и др. CFM: Конволюционные факторизационные машины для контекстно-зависимых рекомендаций. IJCAI, 2019.
Хуафэнг и др. Глобальная и локальная генеративная модель для рекомендаций. WWW, 2020.
Шейн и др. Методы и метрики для рекомендаций при холодном старте. SIGIR, 2002.
Сунгтаек и др. Парное предпочтительное регрессионное обучение для рекомендаций при холодном старте. RecSys, 2009.* Гантер и др. Обучение атрибутно-фичевых отображений для рекомендаций при холодном старте. ICDM, 2010.
Седхайн и др. Социальное коллаборативное фильтрация для рекомендаций при холодном старте. RecSys, 2014.
Чжан и др. Решение проблемы холодного старта в рекомендательных системах: полуавтоматический алгоритм ко-обучения. SIGIR, 2014.
Kula. Metadata embeddings for user and item cold-start recommendations. arXiv, 2015.
Sedhain et al. Low-Rank Linear Cold-Start Recommendation from Social Data. AAAI, 2017.
Man et al. Cross-domain recommendation: an embedding and mapping approach. IJCAI, 2017.
Cohen et al. Expediting Exploration by Attribute-to-Feature Mapping for Cold-Start Recommendations. RecSys, 2017.
Dureddy et al. Handling Cold-Start Collaborative Filtering with Reinforcement Learning. arXiv, 2018.
Fu et al. Deeply Fusing Reviews and Contents for Cold Start Users in Cross-Domain Recommendation Systems. AAAI, 2019.
Li. From Zero-Shot Learning to Cold-Start Recommendation. AAAI, 2019.
Hoyeop. Estimating Personalized Preferences Through Meta-Learning for User Cold-Start Recommendation. KDD, 2019.
Ruobing et al. Internal and Contextual Attention Network for Cold-start Multi-channel Matching in Recommendation. IJCAI, 2020.
Sun et al. LARA: Attribute-to-feature Adversarial Learning for New-item Recommendation. WSDM, 2020.
Lu et al. Meta-learning on heterogeneous information networks for cold-start recommendation. KDD, 2020.
Mao et al. Exploiting geographical influence for collaborative point-of-interest recommendation. SIGIR, 2011.
Chen et al. Fused matrix factorization with geographical and social influence in location-based social networks. AAAI, 2012.
Jia et al. iGSLR: personalized geo-social location recommendation: a kernel density estimation approach. SIGSPA, 2013.
Jia et al. Lore: exploiting sequential influence for location recommendations. SIGSPATIAL, 2014.* Жя и др. Geosoca: Использование географических, социальных и категориальных корреляций для рекомендаций мест. SIGIR, 2015.
Хуаю и др. Рекомендации мест: обучение потенциальных посещений из друзей. KDD, 2016.
Цзинь и др. Категория-осознанное рекомендование следующего места: метод листового байесовского персонального ранжирования. IJCAI, 2017.
Жарана и др. Персонализированный ранжирующий фреймворк с несколькими критериями выборки для рекомендации мест. CIKM, 2017.
Хуаю и др. Обучение внутренних и внешних интересов пользователей для рекомендаций мест: унифицированный подход. IJCAI, 2017.
Фэнг и др. POI2Vec: Географическое скрытое представление для прогнозирования будущих посетителей. AAAI, 2017.
Вей Лу и др. Geo-ALM: Рекомендация мест с помощью объединения географической информации и механизма противоречивого обучения. IJCAI, 2019.
и др. Контекстуализированная рекомендация мест. IJCAI, 2020.
Каратацглу и др. Коллаборативное фильтрование на бюджет. AISTAT, 2010.
Цзou и др. Обучение двоичных кодов для коллаборативного фильтрования. SIGKDD, 2012.
Цзhang и др. Предпочтительное хеширование для эффективной рекомендации. SIGIR, 2014.
Цзhang и др. Дискретное коллаборативное фильтрование. SIGIR, 2016.
Лян и др. Дискретное содержание-осознанное матричное разложение. SIGKDD, 2017.
Хан и др. Дискретные факторные машины для быстрой рекомендации на основе признаков. IJCAI, 2018.
Гуйбин и др. Дискретное доверие-осознанное матричное разложение для быстрой рекомендации. IJCAI, 2019.* Ченгхао и др. Дискретная социальная рекомендация. AAAI, 2019.
Дефу и др. LightRec: Эффективная по памяти и поиску система рекомендаций. WWW, 2020.
Янг и др. Общая схема сжатия сети для последовательных систем рекомендаций. SIGIR, 2020.
Сяоан и др. LightGCN: Упрощение и усиление графового конволюционного сети для рекомендаций. SIGIR, 2020.
Аур и др. Использование доверительных границ для эксплуатации-исследования. JMLR, 2002.
Ли и др. Контекстуализированная бандитская модель для персонализированной рекомендации новостных статей. WWW, 2010.
Ли и др. Эксплуатация и исследование в системе контекстуализированной рекламы на основе производительности. SIGKDD, 2010.
Шапель и др. Эмпирическая оценка метода Томпсона. NIPS, 2011.
Фера и др. Случайный лес для контекстуализированной бандитской модели. Artificial Intelligence and Statistics, 2016.
Ли и др. Контекстуализированная бандитская модель для коллаборативного фильтрования. SIGIR, 2016.
Ван и др. Факторизация бандитов для интерактивной рекомендации. AAAI, 2017.
Парк и др. UniWalk: Объяснимая и точная рекомендация для оценки и сетевой данных. arXiv, 2017.
Хуан и др. Улучшение последовательной рекомендации с помощью знаний-усиленных сетей памяти. SIGIR, 2018.* Ван и др. Tem: Улучшенная модель вложения для объяснимой рекомендации. WWW, 2018.* Лю и др. Почему мне нравится: многозадачное обучение для рекомендаций и объяснений. RecSys, 2018.* Ван и др. Объяснительное рассуждение над графами знаний для рекомендаций. AAAI, 2019.
Цао и др. Объединение обучения графам знаний и рекомендаций: к лучшему пониманию предпочтений пользователей. WWW, 2019.
Чжонся и др. Совместное внимание для многозадачного обучения объяснительных рекомендаций. IJCAI, 2019.
Мин и др. Объяснительная рекомендация одежды: подход, основанный на семантических атрибутах областей. IJCAI, 2019.
Пейцзе и др. Двойное обучение для объяснительных рекомендаций: к объединению предсказания предпочтений пользователей и генерации отзывов. WWW, 2020.
Ричардсон и др. Прогнозирование кликов - оценка показателя кликабельности для новых рекламных объявлений. WWW, 2007.
Стеффен и др. Быстрое контекстно-зависимое рекомендательное обучение с факторизационными машинами. SIGIR, 2011.
Брендан МакМахан и др. Прогнозирование кликов на рекламу: взгляд из траншей. KDD, 2013.
Аарон и др. Глубокое содержание-зависимое обучение рекомендаций музыки. NIPS, 2013.
Синран Хе и др. Практические уроки от прогнозирования кликов на рекламу на Facebook. ADKDD, 2014.
Янг Шан и др. Глубокое пересечение - веб-шкальное моделирование без ручного создания комбинаторных признаков. KDD, 2016.
Вэньан Чжан и др. Глубокое обучение над многополярными категориальными данными. arXiv, 2016.* Ючин и др. Осознанное факторизационное машинное обучение для прогнозирования CTR. RecSys, 2016.
Чэнг и др. Wide & Deep Learning для рекомендательных систем. arXiv, 2016.
Ку и др. Продуктовое нейронное машинное обучение для прогнозирования пользовательской реакции. ICDM, 2016.
Чжао и др. Рекуррентные рекомендательные сети. WSDM, 2017.
Гуо и др. Нейронная сеть на основе факторизационных машин для прогнозирования CTR. arXiv, 2017.
Сяо и др. Внимание к факторизационным машинам - обучение веса взаимодействия признаков через сети внимания. arXiv, 2017.
Гуо и др. Deepfm: нейронная сеть на основе факторизационных машин для прогнозирования CTR. IJCAI, 2017
Гай и др. Обучение кусочно-линейным моделям из больших данных для прогнозирования кликов на рекламу. arXiv, 2017.
Синан Хе и др. Нейронные факторизационные машины для редких предсказательных аналитических данных. arXiv, 2017.
Руоци и др. Глубокая и кросс-сеть для прогнозирования кликов на рекламу. ADKDD, 2017.
Чжоу и др. Глубокая сеть интересов для прогнозирования кликов. KDD 2018.
Лян и др. xDeepFM - Комбинирование явных и неявных взаимодействий признаков для систем рекомендаций. arXiv, 2018.
Чжоу и др. Глубокая сессионная сеть интересов для прогнозирования кликов. IJCAI, 2019.
Чжоу и др. Глубокая сеть эволюции интересов для прогнозирования кликов. AAAI, 2019.* Янг и др. Операционно-осознанные нейронные сети для прогнозирования пользовательских реакций. 2019.
Луи и др. Генерация признаков с использованием сверточной нейронной сети для прогнозирования кликов. 2019.
Вэнтао и др. Глубокая сеть пространственно-временных данных для прогнозирования кликов. KDD, 2019.
Цзи и др. Практика моделирования последовательного поведения пользователей для прогнозирования кликов. KDD, 2019.
Фуцзенг и др. Совместное вложение знаний для систем рекомендаций. KDD, 2016.
Шу и др. TFNet: Многосемантичное взаимодействие признаков для прогнозирования кликов. SIGIR, 2020.
Вэньан и др. Глубокая сеть интересов с иерархическим вниманием для прогнозирования кликов. SIGIR, 2020
Фуцзенг и др. Совместное вложение знаний для систем рекомендаций. KDD, 2016.
Хонгвей и др. DKN: Глубокая знаниевая сеть для рекомендаций новостей. WWW, 2018.
Хонгвей и др. Ripplenet-Пропагация пользовательских предпочтений на знаниевой сети для систем рекомендаций. CIKM, 2018.
Хонгвей и др. Знаниевая сеть графа с регуляризацией гладкости меток для систем рекомендаций. KDD, 2019.
Хонгвей и др. Многоцелевое обучение признаков для улучшенной рекомендации с использованием знаниевой сети. WWW, 2019.
Сяо и др. Усиленное отрицательное отбор для рекомендаций с использованием знаниевой сети. WWW, 2020.## Рекомендации на основе отзывов
Чжонг и др. Коллаборативное тематическое моделирование для рекомендации научных статей. KDD, 2011.
Макаули и др. Скрытые факторы и скрытые темы: понимание измерений оценок с помощью текста отзывов. RecSys, 2013.
Гуан и др. Оценки и отзывы: объединённый подход к рекомендациям. RecSys, 2014
Вей и др. Коллаборативное многоместное обучение вложений из отзывов для прогнозирования оценок. IJCAI, 2016.
Kim et al. Конволюционное матричное факторирование для рекомендаций, учитывающих контекст документа. RecSys, 2016.
Yunzhi et al. Усиление оценок за счет скрытых тем для понимания пользователей и товаров с помощью оценок и отзывов. IJCAI, 2016.
Seo et al. Объяснимые конволюционные нейронные сети с двойным локальным и глобальным вниманием для прогнозирования оценок отзывов. RecSys, 2016.
Lei et al. Совместное глубокое моделирование пользователей и товаров с помощью отзывов для рекомендаций. WSDM, 2017.
Zhiyong et al. A3NCF: Адаптивная модель внимания к аспектам для прогнозирования оценок. IJCAI, 2018.
Jinyao et al. ANR: Нейронная рекомендательная система на основе аспектов. CIKM, 2018.
Yichao et al. Коэволюционная модель рекомендаций взаимное обучение между оценками и отзывами. WWW, 2018.
Yi et al. Многоуказательные сети ко-внимания для рекомендаций. KDD, 2018.* Chong et al. Нейронное внимательное регрессионное прогнозирование оценок с объяснениями на уровне отзывов. WWW, 2018.
Libing et al. Parl: Дайте незнакомцам высказаться о том, что вам нравится. CIKM, 2018.
Libing et al. Учитывая контекст, обучение представлений пользователей и товаров для рекомендаций товаров. TOIS, 2019.
Donghua et al. DAML: Двойное внимание для взаимного обучения между оценками и отзывами для рекомендаций товаров. KDD, 2019.
Liu et al. NRPA: Нейронная рекомендация с персонализированным вниманием. SIGIR, 2019.
Noveen et al. Как полезны отзывы для рекомендаций? Критический обзор и потенциальные улучшения. SIGIR, 2020.
Zhao et al. Интерактивное коллаборативное фильтрование. CIKM, 2013.
Negar et al. Адаптация контекста в интерактивных системах рекомендаций. RecSys, 2014.
Yasser et al. Рекомендации, основанные на истории: разговорное рекомендательное взаимодействие. WWW, 2014.
Konstantina et al. Направленные к разговорным системам рекомендаций. KDD, 2016.
Konstantina et al. Q&R: Двухэтапный подход к интерактивным рекомендациям. KDD, 2018.
Sun et al. Разговорная рекомендательная система. SIGIR, 2018.
Yongfeng et al. Направленные к разговорному поиску и рекомендациям: система задает вопросы, пользователь отвечает. CIKM, 2018.
Raymond et al. Направленные к глубоким разговорным рекомендациям. NeurIPS, 2018.* Tong et al. Визуально-диалоговая аугментированная интерактивная система рекомендаций. KDD, 2019.
Qibin et al. Направленные к знаниевой основе разговорные системы рекомендаций. EMNLP, 2019.
Yuanjiang et al. Атаки и обнаружение противодействия в системах рекомендаций на основе взаимодействия с использованием машинного обучения. SIGIR, 2020.
Wenqiang et al. Взаимодействующие системы рекомендаций: формулировка, методы и оценка. SIGIR, 2020.
Xingshan et al. Динамическое онлайн-рекомендование диалогов. ACL, 2020.
Wenqiang et al. Оценка-действие-отзыв: к глубокому взаимодействию между диалоговыми и системами рекомендаций. WSDM, 2020.
Kun et al. Улучшение диалоговых систем рекомендаций с помощью семантической фузии на основе графа знаний. KDD, 2020.
Wenqiang et al. Разумение путей на графе для диалоговых рекомендаций. KDD, 2020.
Sijin et al. Диалоговые системы рекомендаций с использованием усилительного обучения на основе графа знаний. SIGIR, 2020.
Kai et al. Латентное линейное критикование для диалоговых систем рекомендаций. WWW, 2020.
Lixin et al. Нейронное взаимодействующее коллаборативное фильтрование. SIGIR, 2020.
Lixin et al. Псевдо Dyna-Q: фреймворк машинного обучения для диалоговых рекомендаций. WSDM, 2020.
Shijun et al. Сообщающиеся атрибуты и элементы: диалоговые рекомендации для новых пользователей. arXiv, 2020.* Zeming et al. К диалоговым рекомендациям на основе многотиповых диалогов. ACL, 2020.
Zhongxia et al. К объяснительным диалоговым рекомендациям. IJCAI, 2020.
Jie et al. К вопросным системам рекомендаций. SIGIR, 2020.
Hu et al. Разумение пользовательской памяти для диалоговых рекомендаций. arXiv, 2020.
Kai et al. Латентное линейное критикование для диалоговых систем рекомендаций. WWW, 2020.
Недавно мы запустили открытое проект RSAlgorithms, который предоставляет интегрированный фреймворк обучения и тестирования. В этом фреймворке мы реализовали набор классических традиционных методов рекомендаций, которые делают прогнозы, используя только данные оценок, и социальных методов рекомендаций, которые используют информацию доверия/социальную информацию для уменьшения редкости данных оценок. Кроме того, мы собрали некоторые классические методы, реализованные другими, для вашего удобства.
Особенно подытоживаю работы по системам рекомендаций для вас, и если у вас есть вопросы, пожалуйста, свяжитесь со мной. В заключение, моя способность ограничена, поэтому я искренне надеюсь на сотрудничество с вами для вклада в этот проект. Спасибо @ShawnSu за сбор статей о системах рекомендации мест (POI Recommender Systems).Спасибо @Wang Zhe за его советы по EE в RS.
Особая благодарность @Yujia Zhang за её обзор по хэшированию для RS.
Спасибо @Zixuan Yang и @vicki1109 за сбор статей о прогнозировании кликабельности (CTR Prediction for RS).
Спасибо @ShomyLiu за сбор статей о рекомендательных системах на основе отзывов (Review-based RS).
Отдельная благодарность профессору @Jun Wu за его внимательное руководство в моей научной карьере.
WeChat Официальный аккаунт: ML-RSer
Мой аккаунт на ZhiHu: Honglei Zhang
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )