这篇博客汇总了近期推荐系统领域的研究，涉及未来特征利用、对比学习、强化学习和公平性等多个热点话题。文章介绍了如何通过对抗学习生成含有未来信息的特征，对比学习在语义融合和序列推荐中解决表征退化问题，以及如何利用强化学习实现多样性和新颖性的平衡。同时，还探讨了动态偏差、主流偏差和公平性在推荐系统中的挑战及其解决方案。
声明：本论文阅读笔记主要是对论文摘要的概括，评论仅代表个人的阅读观点，欢迎大家在评论区讨论！
1. A Peep into the Future: Adversarial Future Encoding in Recommendation
公司/学校：微信
摘要：提出要让推荐模型可以利用future feature。文章设计了一个对抗学习网络，判别器输入common feature和future feature，输出用户物品对的判别；生成器则用来生成含有未来信息的common feature，用于推荐模型。
评论：future feature是一个蛮新颖的topic的。我目前理解的是future feature类似于那些离线拿不到的线上特征，然后在线上推理的时候想要应用这些特征。
技术分类：对抗学习、知识蒸馏
代码：https://github.com/modriczhang/AFE
2. C2-CRS: Coarse-to-Fine Contrastive Learning for Conversational Recommender System
公司/学校：人大（RUCAI，Xin Zhao）
摘要：在对话推荐中，融合外部信息是推断用户兴趣的一个重要方法。但是，当前的多部分方法是针对于某一类外部信息（KG或者文本）来设计的，缺乏一个通用的多种类外部信息的建模和融合方法。这篇文章设计了一个由粗糙到细致的对比学习框架来提升数据的语义融合效果。具体来说就是先提取各类数据的语义信息，然后设计一个粗粒度和一个细粒度的出来过程来对语义信息进行对其。
评论：虽然说的是多种外部信息，但是主要还是基于文本的信息：KG、对话历史和评论。
技
最低0.47元/天 解锁文章
扫一扫
2310
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
