摘要：
#简介 本文是2022年TKDE上的一篇论文。本文以推荐模型的准确性为目标，系统地介绍了神经推荐模型，是一篇综述性论文，阅读本论文的目的是对推荐系统有一个比较系统的了解，确定目前自己学习的方向，同时寻找未来有哪些值得探索的方向。文章整体分为三大部分介绍神经推荐系统，分别是协同过滤模型、内容增强推荐、 阅读全文
摘要：
最近打算每天做一道codeforces 1800-2000难度的题活跃一下思维，然后记录一下自己没有解出来或是解法很巧妙的题。这道题来自1651D Nearest Excluded Points，题目大致是给出一个长度为n的数组，每一个元素保存着一个点的二维坐标，目标是找出距离每个点最近的点，且这个 阅读全文
摘要：
#动机 本文是2022年WWW的一篇论文。用户与物品的交互通常由多种意图驱使，但是这些意图通常是潜在的，为了研究意图对序列推荐的作用，作者提出了一个通用范式ICL，它的核心思想是学习到用户的意图并通过对比学习优化序列推荐模型。 #算法 用户与物品集合分别用$\mathcal U$和$\mathcal 阅读全文
摘要：
#动机 本文是2022年WWW的一篇论文。序列推荐中有类种方法是基于transformer的，它用向量表示一个物品并利用点积计算两个物品之间的相似程度。用户的兴趣通常是通过它的交互序列表示的，之前的工作是通过一个确定的向量表示用户的兴趣，但是用户实际的交互序列是不确定的（这里我的理解是用户的兴趣并不 阅读全文
摘要：
#动机 本文是2022年WSDM的一篇文章。基于深度学习的序列推荐模型生成的物品embedding可能会退化，在语义上高度相似，使得这些物品区分度降低。对比学习是缓解这一问题的方法，但以往的对比学习通常是依赖数据级的增强，它不能提供很好地提供语义一致性的增强样本(按照我的理解就是进行数据增强后得到的 阅读全文
摘要：
#动机 本文是2021年SIGIR的一篇论文。目前现有的工作在序列推荐面临着两个挑战：1.用户的历史行为序列通常是隐式反馈的且包含噪声，它们不能充分反映出用户真实偏好。2.用户动态偏好会随时间快速变化，因此很难捕获到用户偏好模式。本文提出一种名为SUGRE的图神经网络，它将稀疏的项目序列重构为紧密的 阅读全文
摘要：
#动机 本文是2022年的WWW的一篇论文。图协同过滤方法是一种有效的推荐方法，它很有效，但是它们面临着数据稀疏的问题。对比学习通常用来缓解这个问题，但是目前推荐系统中的对比学习通常是随机采样来构成对比数据对，它们忽略了用户(物品)之间的邻接关系，不能充分发挥对比学习的潜力。本文提出一种通用的框架N 阅读全文
摘要：
#动机 本文是2021年AAAI的一篇文章。在序列推荐中，如果只有用户物品交互数据而没有其它辅助数据的情况下，以往的冷启动方法无法应用在序列推荐中。因此本文提出了一种基于元学习的序列推荐冷启动框架，称为Mecos。Mecos根据有限的交互数据来提取用户的偏好（只需要用户物品交互信息），并学习将冷启动 阅读全文
摘要：
#动机 本文是2021年WWW上的一篇论文。现在的推荐系统模型大多是基于用户与物品的交互训练的，然而用户与物品的交互可能是因为用户对该物品感兴趣，亦或是该物品具有很高的流行度，用户的从众性(conformity)促使他与该物品产生交互。因此我们可以了解到流行度更高的物品通常会与更多的用户产生交互，但 阅读全文
摘要：
#动机 本文是来自2021年KDD上的一篇文章。图神经网络最近已经成为最先进的协同过滤解决方案，目前协同过滤中的一个挑战是从隐反馈数据中提取负反馈信号，但是目前很少有对基于GNN的协同过滤方法的负反馈采样的研究。好的负反馈信号可以加速模型收敛，为模型提供更大且更有意义的梯度，因此提取出好的负反馈信号 阅读全文