CIKM2021｜工业推荐论文集锦

约定不等于承诺〃 2022-09-16 11:15 202阅读 0赞

## 前言 ##

第30届国际信息与知识管理大会（The 30th ACM International Conference on Information and Knowledge Management, CIKM 2021）计划于2021年11月1日-11月5日在线召开。ACM CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域最重要的学术会议之一。接收论文的地址如下：

**https://www.cikm2021.org/accepted-papers**

我对其中的部分推荐论文进行了整理，包括6篇工业论文，以及16篇校企合作论文。

## 工业 ##

简单检索了一遍CIKM2021的工业推荐论文，找到了包含阿里、字节、谷歌、美团共计6篇文章。

### Alibaba ###

#### Heterogeneous Graph Neural Networks for Large-Scale Bid Keyword Matching ####

**基于异质图学习的搜索广告关键词推荐**

> ❝
> 
> **摘要：** 近年来，在线广告在消费者侧的大量工作受到了广泛关注，旨在通过挖掘用户的历史行为模式、搜索词意图以及关键词竞价来呈现个性化的广告内容。而在广告平台的另一侧——广告主侧，广告主营销优化工作在广告系统中也扮演着非常重要的角色。对于搜索广告，关键词推荐（Keyword Recommendation）就是其中一个面向广告主的核心推荐服务。既有的关键词推荐方法仅考虑了点击或文本相似等单一种类的关系建模该任务，而忽略了额外的辅助关系信息（比如广告/关键词与普通商品间的关系）。如何从不同对象间的复杂关系中学习丰富和鲁棒的表示向量十分关键。另一方面，对于通常缺乏足够效果反馈数据的新广告，进行高质量的推荐也非常重要。为了应对这些挑战，我们提出了HetMatch，一种基于异质图神经网络（HGNN）的关键词推荐模型。通过引入多层次的GNN结构，HetMatch能在微观和宏观层面融合和增强不同类型的辅助关系信息，以更全面和鲁棒地对广告和词进行表征。此外针对冷启动问题，我们采用了多视图框架，使模型能通过多视图任务引入额外的新广告样本。
> 
> ❞

注：没找到pdf，引用了\[1\]。

#### One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction ####

**广告多场景下的星型CTR预估模型：STAR**

![7d8e34071c3b43e0bdb5ba2a238eda52.png][]

> ❝
> 
> **摘要：** 传统的广告/推荐CTR模型一般使用单个场景的数据训练并服务单个场景。但是对于阿里巴巴这样的大规模商业平台，平台经常需要为大量的场景提供CTR预估能力。不同的场景具有相似的用户群体和广告集合，但每个场景也有一些场景特定的用户群体和广告集合。在这种情况下，为每个场景单独训练一个模型忽视场景之间的相似性导致效果变差。另一方面，简单的共享模型很难捕捉不同场景的差异性。为了更好地利用不同场景的数据，我们提出了星型拓扑结构的STAR模型。在STAR模型里，每个场景的网络包含两部分，共享的中心网络以及场景私有的网络。对于每个场景，最终的网络通过共享和私有网络参数相乘得到。通过这种形式，STAR同时建模了场景的相似性和差异性。
> 
> ❞

### ByteDance ###

#### Learning An End-to-End Structure for Retrieval in Large-Scale Recommendations ####

**学习大规模推荐召回的端到端结构**

![4d2d4815a7900eb6d72dae531c2ddb5f.png][]

> ❝
> 
> **摘要：**大规模推荐最核心的一个问题之一是如何检索准确且高效的检索相关的Top-K个候选物品。以往的方法大多分两步过程：首先学习内积模型，然后使用近似最近邻(ANN)搜索算法寻找最佳候选物品。在本文中，我们提出了深度检索（DR），直接使用user-item交互数据（如点击）学习可检索结构，而不需要求助于ANN算法中的欧氏空间假设。DR的结构将所有候选物品编码到一个离散的隐空间中。这些候选物品的隐代码是模型参数，并与其他神经网络参数一起学习，以最大化相同的目标函数。通过学习模型，对结构进行集束搜索，以检索最优候选进行重新排序。
> 
> ❞

### Google ###

#### Disentangling Preference Representations for Recommendation Critiquing with -VAE ####

![bcf8d20e7166f2b4ccf56ed185dcdd20.png][]

> ❝
> 
> **摘要：** 现代推荐系统通常将用户和物品嵌入到学习过的向量空间表示中。该空间的相似性用于生成推荐，推荐方法与嵌入空间的结构无关。出于对推荐系统更加透明和可控的需求，我们假设为用户和物品表示的某些维度赋予意义是有益的。解纠缠是用于此目的的一种常用技术。本文提出了一种新的推荐任务的监督解纠缠方法。我们的模型在感兴趣的属性分离的情况下学习Embedding，而在训练时只需要非常少的标记物品。然后，该模型可以为所有用户生成交互式和可评判的推荐，而不需要在推荐时添加任何标签，也不牺牲任何推荐性能。因此，我们的方法为用户提供了操作、评论和微调推荐的工具，并深入了解为什么要做出特定的推荐。如果在推荐时只考虑用户与物品之间的交互，我们发现它可以根据已分离的属性来识别用户的喜好，允许用户通过这些属性来操作推荐。
> 
> ❞

#### Self-supervised Learning for Large-scale Item Recommendations ####

**大规模物品推荐的自监督学习**

![8cfb65fa928ac84e8816bfa310a7c35e.png][]

> ❝
> 
> **摘要：** 大规模的推荐模型从庞大的目录中找到最相关的物品，在现代搜索和推荐系统中发挥着关键作用。为了用大词汇分类特征对输入空间建模，典型的推荐模型通过神经网络从用户反馈数据中学习物品的联合Embedding空间。然而，由于语料库中有数百万到数十亿的物品，用户倾向于为其中非常小的一组物品提供反馈，从而导致幂律分布。这使得长尾项目的反馈数据非常稀少。受最近在计算机视觉和自然语言理解领域中成功的自监督表示学习研究的启发，我们提出了一个用于大规模项目推荐的多任务自我监督学习(SSL)框架。该框架旨在通过学习更好的物品特征潜在关系来解决标签稀疏性问题。具体来说，SSL改进了物品表示学习，并作为额外的正则化来改进泛化。此外，我们提出了一种新的数据增强方法，利用特征相关性在提出的框架内。
> 
> ❞

### Meituan ###

#### ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation ####

**兴趣点推荐的时空周期性学习**

![d5a7af4c80e39f184ced22f17a358e1a.png][]

> ❝
> 
> **摘要：** 兴趣点（Point-of-Interest, POI）推荐是基于位置的社交网络中的一项重要任务，方便了用户和位置之间的关系建模。近年来，研究者从长期兴趣和短期兴趣两方面推荐POIs，并取得了成功。然而，它们未能很好地捕捉到周期性的兴趣。人们倾向于在相似的时间或在相似的地区访问相似的地方。现有模型试图通过用户的移动状态或时隙来获取这种周期性，这限制了周期性兴趣的性能。为此，我们建议学习时空周期的兴趣。具体来说，在长期模块中，我们学习日粒度的时间周期兴趣，然后利用层内注意形成长期兴趣。在短期模块中，我们构建各种短期序列，分别获得小时、区域和小时-区域粒度的时空周期兴趣。最后，我们运用层级间的关注来自动整合多个兴趣。
> 
> ❞

## 校企合作 ##

以下是一些校企合作的论文，不单独进行介绍了。

### Alibaba ###

【**1**】Learning to Augment Imbalanced Data for Re-ranking Models

【**2**】CausCF: Causal Collaborative Filtering for Recommendation Effect Estimation

【**3**】Fulfillment-Time-Aware Personalized Ranking for On-Demand Food Recommendation

【**4**】SAR-Net: A Scenario-Aware Ranking Network for Personalized Fair Recommendation in Hundreds of Travel Scenarios

### Microsoft ###

【**5**】Anchor-based Collaborative Filtering for Recommender Systems

### Baidu ###

【**7**】Counterfactual Review-based Recommendation

### Huawei ###

【**8**】Open Benchmarking for Click-Through Rate Prediction

【**9**】SimpleX: A Simple and Strong Baseline for Collaborative Filtering

【**10**】UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation

【**11**】Top-N Recommendation with Counterfactual User Preference Simulation

【**12**】Contrastive Learning of User Behavior Sequence for Context-Aware Document Ranking

【**13**】CMML: Contextual Modulation Meta Learning for Cold-Start Recommendation

【**14**】Extracting Attentive Social Temporal Excitation for Sequential Recommendation

【**15**】Semi-deterministic and Contrastive Variational Graph Autoencoder for Recommendation

### Amazon ###

【**16**】XPL-CF: Explainable Embeddings for Feature-based Collaborative Filtering

## 参考资料 ##

\[1\] https://zhuanlan.zhihu.com/p/401520358

[7d8e34071c3b43e0bdb5ba2a238eda52.png]: /images/20220828/0caaab480b284049b4b39f38988bdc57.png
[4d2d4815a7900eb6d72dae531c2ddb5f.png]: /images/20220828/f1bf6bbe26bb4882897dca530e9eb45d.png
[bcf8d20e7166f2b4ccf56ed185dcdd20.png]: /images/20220828/5697702efe464a67bd484b5f02414ee4.png
[8cfb65fa928ac84e8816bfa310a7c35e.png]: /images/20220828/3bab63a23470440faa5ebd3cf96b9ecc.png
[d5a7af4c80e39f184ced22f17a358e1a.png]: /images/20220828/c7c4ff63ec464297aff8848100db9e13.png