盘点 | AAAI2020中的四篇推荐系统好文

嘿，记得给“机器学习与推荐算法”添加星标

AAAI中推荐系统的文章并不多，目之所及处仅有四篇。内容上覆盖了评论推荐、多目标推荐以及图神经网络等话题。

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。

换言之，这是一个能够”具体评论具体分析“的新颖方法，值得一看~

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

本文提出了一个基于贝叶斯方法的会话推荐系统。在与用户进行任何交互之后，将更新物品上的概率质量函数，信息理论标准将优化交互的形状，并确定何时应终止会话并因此推荐最可能的项目。

作者从基本结构判断中得出用于建模交互的参数的先验概率的专用启发技术。这样的先验信息可以与历史数据结合，以区分具有不同推荐历史的物品。

在纯贝叶斯方法的基础上，作者提出了一种新的自动推荐方法。该方法假设系统和用户之间存在动态交互，从而提供自定义和自适应的推荐。本文所介绍的框架为未来的发展奠定了基础，其中问题的动态生成是为了改善系统的会话性质。这可以基于一个自然语言生成系统，与物品属性的结构化概率描述和用户需求的激发交互。

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

推荐系统需要反映应用它们的环境的复杂性。我们对可能有益于用户的知识越了解，推荐系统的目标就越多。此外，除了法律和道德约束外，可能还有多个利益相关者-卖方，买方，股东。迄今为止，为具有相关或不具有相同规模的多个目标同时进行优化是非常困难的。

推荐系统的复杂应用场景，使我们又需要多目标模型，但是又很难做好。哎呀，成人的世界就是这么的复杂。

作者为推荐系统（MGDRec）引入了随机的多梯度下降方法来解决此问题。不仅如此，而且通过梯度归一化，将具有不同规模的根本不同的目标组合到一个一致的框架中。文中表明，不相关的目标（如优质产品的比例）可以提高准确性。通过使用随机性，避免了计算完整梯度的陷阱，并为其适用性提供了明确的条件。

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

用户与物品的交互的时间顺序可以揭示许多推荐系统中时间演变和顺序的用户行为。用户将与之交互的项目可能取决于过去访问的项目。但是，用户和项目的大量增加使得顺序推荐系统仍然面临着不小的挑战：

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。

为了解决这些挑战，提出了一种内存增强图神经网络（MA-GNN），以捕获长期和短期的用户兴趣。

具体来说，作者应用图神经网络在短期内为物品上下文信息建模，并利用共享内存网络捕获物品之间的长期依赖关系。除了对用户兴趣进行建模外，还采用了双线性函数来捕获相关项目的共现模式。结果证明了我们的模型对Top-K序列化推荐任务的有效性。

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