【推荐系统】顶会文章

最近略读的几篇推荐系统的文章，稍微整理一下相关的内容、方法和模型，便于学习补充，之后有需要会在这个基础上补充整理。

1.Real-time Relevant Recommendation Suggestion

作者提出了一种新的实时相关推荐建议(R3S)框架，该框架由Item推荐器和Box触发器组成。

完成实现内容主要是 文章的实时推荐，比如小明刚刚阅读了一篇关于小猫的文章，然后原本的推荐顺序是 美食、旅游，通过作者给的框架后，用户结束阅读返回后，会在原本内容小猫的小标签下方，出现一个信息盒子，里面是和小猫相关的其它内容，比如小猫护理、小狗这种。

原文图像：

下图是模型框架，文章具体的内容我没看，好像是用了三个自网络，“对具有自我注意、语义相关性和信息增益的特征交互进行建模”，

2.Category-aware Collaborative Sequential Recommendation SIGIR21

顺序推荐模型，但是融合进了类别信息。

文中给的一个例子：
大多数现有的解决方案都将用户的操作历史视为一个长序列。这种简化通常会忽略操作序列中的细粒度依赖结构。考虑图1所示的示例。对于用户Lily来说，从衣服到鞋子的重复出现表明她的下一个动作很可能与鞋子有关，而她之前浏览过的一系列鞋子表明她对运动鞋的偏好。但她最近浏览的商务套装表明，她目前的意向是穿正装。因此，系统不再适合按照她的一般偏好来推荐运动鞋;相反，建议穿正装鞋是一个更好的选择。

这样的观察告诉我们，顺序建议应该是上下文感知的:在不同的上下文下，对下一步行动的预测应该取决于过去行动的不同后续。
对于问题：数据稀疏，我们用协作学习的方法来引进。
要注意的是：传统对于用户相似性的计算依旧是长序列，就是过去的整个序列，但是现在我们只需要计算在鞋子上偏好一致的用户，就可以推算lily现在要买的正装鞋子是什么样的。
换而言之，在计算用户相似性的时候，我们是需要对类别进行相似性计算，而不是所有信息。
下面是原文解释：

Wang等[34]利用rnn对用户的动作序列进行建模，并根据rnn学习到的用户潜在状态来检索相邻用户，是这一类型的典型解决方案。然后将目标用户的表示与检索到的相邻用户的表示相结合，进行下一个条目的预测。
然而，在这种类型的解决方案中，用户相似度仍然是通过过去的整个操作序列来衡量的。
正如我们之前所讨论的，在顺序推荐中忽略上下文会导致对过去操作的不准确依赖，因此在下一个操作预测中会出现错误的邻域。 再次考虑图1中的示例。
纵观他们的整个动作戏，莉莉和艾薇可能不会被认为是邻居，因为莉莉主要光顾鞋子和衣服，而艾薇主要光顾鞋子和手袋。
但是这两位用户浏览的鞋子序列让他们的距离更近了。尤其是在Ivy的故事中，从运动鞋到正装鞋的转变，对于预测Lily对正装鞋的下一步行动非常有帮助。
因此，序列推荐中的邻域建模也应该是上下文感知的。

然后作者提出来的模型：
CoCoRec由三个关键组件组成:类别内编码器、上下文编码器和协作模块。类别内编码器在特定类别的操作子序列中利用对模型item转换模式的自注意机制。上下文编码器为下一个动作预测推断情景上下文和类别上下文。首先，它利用自我注意对用户最近的行为进行建模，以获得情景上下文。第二，它利用最近行为的类别来预测下一个行为的类别，然后基于这个预测，它使用一个控制网络来激活类别内相应的item到item的转换。协作模块使用一个内存张量来记录用户的类别内偏好。对于每个目标用户，协作模块检索具有相似类别内首选项的相邻用户。
模型结合情景上下文、目标用户的类别偏好和邻居的类别偏好，预测目标用户的下一个商品。
多处用了注意力机制。

3.Graph Meta Network for Multi-Behavior Recommendation 21SIGRIR

这个用的是元学习和图神经网络。
图神经网络解决的是多种交互的问题。
就比如说有的购买，有的加入购物车…
用图结构来解决数据的异质性和多样性。
关于元学习这里怎么使用的还没有仔细看。
百度了一下，元学习主要是来学习模型的超参数，传统的机器学习的超参数 一般都是手工设置的，但是元学习是任务为单位，一般用强化学习等方法，确认最优超参数。
然后元知识是知识的知识，但是具体什么意思怎么使用还不太懂。
元图神经网络有三个关键子模块:i)行为语义编码;ii)行为相互依存学习;iii)高阶多行为上下文聚合。

4.SEMI: A Sequential Multi-Modal Information Transfer Network for E-Commerce Micro-Video Recommendations KDD21

这是一个关于电商微视频的推荐，用了多模态对用户的顺序行为进行建模。
由于用户的兴趣是动态的，使用用户最近的行为来帮助预测。用户最近的行为包括最近对产品的点击行为和最近在微视频上的观看行为。