【论文相关】盘点AAAI2020中的四篇推荐系统好文
本文基于AAAI中的这四篇推荐系统论文，展开瞅一瞅它们都讲了些什么。
第一篇文章：可解释评论的推荐中的非对称层次网络与专注的交互
Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation
论文链接: https://arxiv.org/pdf/2001.04346.pdf
关键词：Hierarchical ; Review
基于用户评论的推荐确实是一个非常值得研究的主题。大多数推荐系统都是为了挖掘用户显式行为背后的隐式反馈，试图去Get到用户的意图。与这样的动机相比，评论是用户主动给出的意图，相比之下更加准确。现有的方法通常将给定用户或物品的所有评论合并到一个长文档中，然后以相同方式处理用户和物品文档。
但是，实际上，这两组评论是截然不同的。用户的评论反映了他们购买的各种商品，因此其主题非常不同，而一项商品的评论仅与该单个商品相关，因此在局部上是同质的。看上去怎么像绕口令似的，那么我简单地翻译一下：
我买了一条新的裙子并且对这条裙子给出了评论，我这个评论是只针对我这次买的这条裙子的。你如果拿我这条评论去预测我对其他裙子的偏好，这就有问题了。
在这项工作中，我们开发了一种新颖的神经网络模型，该模型通过非对称的注意力模块正确地解决了这一重要差异。形式上分为两个模块：
用户模块学习仅关注与目标物品相关的那些信号
物品模块学习有关物品属性的最显著内容
文章中所提出的多层次的范式解释了这样一个事实，就是说并非所有的评论都是同样有用的，也不是每个评论中的所有句子都一样中肯。
本文的贡献是极大的：在这项工作中强调了评论推荐中的不对称的注意力问题。为了解决这个问题，提出了一种灵活的神经结构，即AHN，其特点是它的非对称注意模块来区分用户嵌入和物品嵌入与评论的学习，以及它的层次范式来提取细粒度的句子和评论信号。
识别了不对称注意力问题，并提出基于评论的推荐。 提出了AHN，一种新的深度学习架构，它不仅捕获了评论数据的不对称和层次特征，同时还支持结果的可解释性。
第二篇文章：会话推荐系统的贝叶斯方法
A Bayesian Approach to Conversational Recommendation Systems
论文链接: https://arxiv.org/pdf/2002.05063.pdf
关键词：Bayesian; Conversational RS
第三篇文章：多目标推荐系统的多梯度下降
Multi-Gradient Descent for Multi-Objective Recommender Systems
论文链接: https://arxiv.org/pdf/2001.00846.pdf
关键词：Multi-Gradient Descent; Multi-Objective RS
该文章的主要思想如下：
本文利用多梯度下降法，结合不同的目标，找到一组多目标推荐问题的解决方案。 本文将梯度归一化的新思想引入到多梯度推荐中。这允许我们通过使用子梯度来放松单个目标的可微性条件，将根本不同的目标组合到同一个目标函数中。这种灵活性允许我们处理来自多个涉众的目标。
第四篇文章：记忆增强图神经网络的序列化推荐
Memory Augmented Graph Neural Networks for Sequential Recommendation
论文链接: https://arxiv.org/pdf/1912.11730.pdf
关键词：GNN; Sequential RS
1. 短期用户兴趣建模的难度； 2. 难以吸引长期用户兴趣； 3. 物品共现模式的有效建模。
本文的主要观点概括如下：
为了对用户的短期和长期兴趣进行建模，提出了一种记忆增强的图神经网络来捕捉物品的短期上下文信息和长期依赖关系。 为了有效地融合短期和长期兴趣，作者在GNN框架中加入了一个闸门机制，以自适应地结合这两种隐藏的表示。
为了显式地建模物品共现模式，使用了双线性函数来捕捉物品之间的特征相关性。
MA-GNN的模型架构
往期精彩回顾