推荐系统作为人工智能领域最具有应用前景的方向之一,在学术界和工业界一直占据着重要地位。本文聚焦于推荐系统在学术研究方面的前沿进展,在之前整理的 Awesome-RSPapers 基础上扩展了近两年顶会中推荐系统相关的论文,涵盖 SIGIR、SIGKDD、RecSys、CIKM、AAAI、WSDM、WWW 的 20 次会议。本次整理以长文和研究性论文为主,也包含部分短文和工业论文。

推荐系统论文

RUCAIBox/Awesome-RSPapersgithub.com/RUCAIBox/Awesome-RSPapers

顶会论文整理

RUCAIBox/Top-conference-paper-listgithub.com/RUCAIBox/Top-conference-paper-list

目录

本文根据文章的侧重点将这些论文分为以下三大类和若干小类:

  • 按任务划分

    • 协同过滤 (Collaborative Filtering)

    • 序列推荐 (Sequential/Session-based Recommendation)

    • 点击率预测 (CTR/CVR Prediction)

    • 知识感知的推荐 (Knowledge-aware Recommendation)

    • 对话推荐系统 (Conversational Recommender System)

    • 社交推荐 (Social Recommendation)

    • 新闻推荐 (News Recommendation)

    • 音乐推荐 (Music Recommendation)

    • 文本感知的推荐 (Text-aware Recommendation)

    • 兴趣点推荐 (POI Recommendation)

    • 在线推荐 (Online Recommendation)

    • 组推荐 (Group Recommendation)

    • 多任务/多行为/跨域推荐 (Multi-task/Multi-behavior/Cross-domain Recommendation)

    • 多模态推荐 (Multimodal Recommendation)

    • 其他任务 (Other Tasks)

 

  • 按话题划分

    • 推荐系统去偏 (Debias in Recommender System)

    • 推荐系统公平性 (Fairness in Recommender System)

    • 推荐系统中的攻击 (Attack in Recommender System)

    • 推荐系统可解释性 (Explanation in Recommender System)

    • 推荐系统的长尾/冷启动问题 (Long-tail/Cold-start in Recommendation)

    • 推荐系统多样性 (Diversity in Recommendation)

    • 推荐系统去噪 (Denoising in Recommendation)

    • 推荐的隐私保护 (Privacy Protection in Recommendation)

    • 推荐系统的评价和实验分析 (Evaluation of Recommender System)

    • 其他话题 (Other Topics)

 

  • 按技术划分

    • 推荐系统预训练 (Pre-training in Recommender System)

    • 推荐中的强化学习 (Reinforcement Learning in Recommendation)

    • 推荐中的知识蒸馏 (Knowledge Distillation in Recommendation)

    • 推荐中的联邦学习 (Federated Learning in Recommendation)

    • 推荐中的图神经网络 (GNN in Recommendation)

    • 基于对比学习的推荐 (Contrastive Learning based Recommendation)

    • 基于对抗学习的推荐 (Adversarial Learning based Recommendation)

    • 基于自动编码器的推荐 (Autoencoder based Recommendation)

    • 基于元学习的推荐 (Meta Learning-based Recommendation)

    • 基于自动机器学习的推荐 (AutoML-based Recommendation)

    • 基于因果推断的推荐 (Casual Inference/Counterfactual)

    • 其他技术 (Other Techniques)

 

阅读详情

内容中包含的图片若涉及版权问题,请及时与我们联系删除