Les dieux sont silencieux.-ParticuliersCSDNTable des matières du blog

Adresse vidéo enregistrée：AIS 2022丨ACL-IJCAI-SIGIRLe rapport de la Conférence sera diffusé.
Page d'accueil de l'activité sur le site officiel de Zhiyuan,Présentation avec ordre du jour détaillé：ACL-IJCAI-SIGIRPrésentation des documents de la Conférence de haut niveau（AIS 2022）

Objet du présent document5Mois14Section du système recommandé pour la journée.Le contenu principal est la capture d'écranslides,Et quelques explications.Plus que je ne l'ai écrit.cs224wLes notes de Li Hongyi seront beaucoup plus courtes.,Je n'ai pas d'autre explication pour ce qui est explicite dans le diagramme..

Discussion sur les points chauds actuels et les tendances du système de recommandation

Conférencier principal： Li chenliang, Wuhan University
Je pense que le professeur est double écran. , J'ai regardé le plan. ！

Objet de la présentation 2022 La thèse de l'année comprenait principalement des documents de conférences qui avaient déjà eu lieu lors de plusieurs conférences. .

C'est ici.unigramEtbigram Analyse des nuages de mots sur

（ Les données sont basées uniquement sur le titre de l'article ）

L'accent mis par l'industrie sur la multitâche peut être dû au fait qu'il y aura plus de comportements dans le scénario réel. , Il faut donc modéliser plusieurs tâches

Coordonnées des intervenants ：[email protected]

Session 1：Recommendation（Système recommandé）

1. Information sur l'équité de l'exposition conjointe multipartite dans le système de recommandation

Documents：Joint Multisided Exposure Fairness for Recommendation
Conférencier principal： Université McGill Wu haolun

Traditionnelmulti-stakeholders En général, le travail consiste à modéliser les deux parties séparément et à les additionner.

multisided problem： Questions multilatérales

GG-FC'estmotivation Les paradigmes mentionnés dans

IG-FEtGI-F Tout cela peut être considéré comme GG-FDéfinitions,Donc,GG-FPlusgeneral

2. Sur la tâche de filtrage collaboratif inductif

Documents：INMO: A Model-Agnostic and Scalable Module for Inductive Collaborative Filtering
Conférencier principal： Wu Yunfan de l'Institut de calcul

1. Background and Motivation

2. Inductive Module for Collaborative Filtering

Utilisateurs qui ont acheté le même produit modèle , Utilisateurs similaires

MFDécomposition matricielle

3. Experimental Results

4. Conclusions

3. User-controllable Recommendation Against Filter Bubbles

Documents：User-controllable Recommendation Against Filter Bubbles
Conférencier principal： Wang Wenjie, Université nationale de Singapour

calibration Il s'agit de rendre la distribution actuelle aussi semblable que possible à la distribution historique. ,Au cas oùbias amplification

Parce que ce modèle exige que les utilisateurs interagissent , Donc, j'ai fait quelque chose sur l'ensemble de données simulation

Questions： C'est ce qui s'est passé après. rerankingQuelle est la différence?？
Le présentateur répond ：Utilisation etcontrol Ajuster l'historique des conflits ,Ça marchereranking Mise en oeuvre mais il faut tenir compte de outdatedImpact（ En fait, je ne comprends pas ce que ça veut dire ） Les résultats expérimentaux sont également contrastés ,L'efficacité de cette méthode a été démontrée..

4. Prix recommandé pour la session

Documents：Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation
Conférencier principal： Dalian University of Technology Zhang Xiaokun

Enfin, la probabilité d'achat des marchandises est calculée à l'aide des deux méthodes.

Demande.： Qu'est - ce qu'un Hypergraphe ？
Le présentateur répond ： En général, un bord ne peut être connecté que 2Noeuds, Un bord dans l'Hypergraphe peut se connecter à n'importe quel noeud .

5. Un sur troisMMO Résumé de l'optimisation du modèle

Alibaba ant Jin Server Sword Zeng Guanqi
C'est différent de l'université. , C'est quelque chose que l'industrie a fait bien （20Année10 Ce que le mois a fait ）

Mauvaise modélisation des actions en série
Un clic élevé et une conversion faible sont des scènes de clics trompeurs , Pour frapper
Ce réseau hétérogène d'experts n'est pas écrit dans le document , Parce qu'un article ne peut écrire qu'un seul point .
L'idée est que trois tanneurs puants prennent Zhuge Liang en tête. .
L'orateur a dit qu'ils n'avaient pas le temps d'écrire ça. , Les résultats ont été publiés dans un autre article ：

Corrélation non linéaire.

Cette section traite de l'ordonnancement obligatoire des affaires （ Je ne comprends pas. ）
Questions： De cette façon et seulement optimiser CVRLa différence entre？Réponse：Optimisation seulementCVR, En raison de ces trois corrélations non linéaires ……（ Je ne comprends pas. ）

6. Commentaires perception des données ,Figure apprentissage comparatif

Shuai Jie, Hefei University of Technology

Atténuer la rareté des données
IntroductionTarget review： Amélioration de la modélisation interactive . Est le commentaire correspondant à la note prévue . Seulement pendant la formation ,Il n'y a pas de（ C'est parce que je ne l'ai pas encore acheté. , Donc il n'y a certainement pas de commentaire ）. Caractérisation de certains emplois par la régularisation des objectifs d'apprentissage au stade de la formation .


Rendre les représentations des noeuds similaires pour différents voisins ：Amélioration de la robustesse

Questions： Les commentaires peuvent expliquer la recommandation , Est - ce que ？Réponse：Non., C'est une bonne direction .

7. Session-based recommendation

L'Université des arts martiaux reichi
Prévoir le prochain objet interactif de l'utilisateur
Traditionnelsession-based La méthode ignore d'autres informations, ce qui entraîne un problème de rareté des données.
SSL：self-supervised learning


Une graine aléatoire a été changée pour produire une nouvelle mirror graph

Ablation study：

Un hyperparamètre

7. Recommander une représentation découplée de l'apprentissage pour les domaines croisés

Dr. Cao Jiangxia, Institute of Information Technology


Les recommandations inter - domaines nécessitent des informations qui se chevauchent , Voici un scénario où les utilisateurs se chevauchent
Les deux à droite sont deux idées .①Apprentissage de la migration： Préférences des utilisateurs certains domaines sont communs 、 Certains domaines sont spécifiques （ Ces migrations provoquent du bruit ,Migration négative）. Pour migrer les préférences communes au domaine →Présentation② Le paradigme d'apprentissage découplé de
Codeur de diagramme bipartite variationnel
Pas besoin de dessiner UIUOuIUI Méta - chemin vers , Et peut maintenir directement la structure originale du bipartite

Fig.3- Oui.basecase： Sont modélisés par domaine , A conduit à une capacité de migration partagée dans le domaine

8. Séquence recommandée

Tian Yu, Master of Arts, Wuhan University





Prévoir la prochaine étape dans le temps cliquez sur itemLa probabilité de（ Quel intérêt ）

On pense que le réseau original de capsules manque d'information sur les séries chronologiques. ,AvecBiLSTM Mise en œuvre de l'amélioration de l'information sur les séries chronologiques




micro-video C'est un vrai ensemble de données de l'express , Les deux derniers sont d'Amazon

Rapport d'efficacité2 Un peu plus bas ： Ces deux - là ont utilisé des caractéristiques temporelles

9. Information Selection Enhanced Sequence recommendation

Beimail Li Kaiyuan


Séquence recommandée： Peu de données d'interaction utilisateur
Pratique courante ： Introduction d'informations hétérogènes （Carte des connaissances, etc.）.Questions： Le bruit est également introduit , Perte du signal de données , Problème de synergie négative
A gauche： Tout est une représentation du modèle complet , Le rose est associé à GRU4RecIntersection de
Principaux objectifs du présent document： Comment sélectionner les informations auxiliaires ？

Markov Decision Process of Multi - agent
reward： Et les avantages du système de recommandation

$i_1$-$i_t$→$h$： Expression initiale de l'historique de l'utilisateur
→ Sélection des modes （$c_{1\to n}$ Est l'information des différents modes ）
Entropie croisée
off-policy
mean pooling
QCalcul de la valeur：DQN  Q mixRéseau→ Générer l'ensemble QValeur


Réduction du phénomène de migration négative

vtk Représente l'image du texte séparément KG3 Mode semences

10. Un cadre de recommandation pour une amélioration continue

Huawei Noah Cai guohao

Rangée mixte
Section spermatique： Paradigme de la mise à jour du modèle （Lot/Mise à jour en ligne）, Utiliser des modèles jetés → Concevoir son propre apprentissage

11. Système de recommandation pour la sensibilisation aux connaissances

Zou Ding, Huazhong University of Science and Technology

Background

Problèmes d'apprentissage supervisé ：Clairsemé, Intégration similaire
Auto - supervision/Apprentissage comparatif

Présentation du modèle

Fig.view Génération et codage de （ Codage adaptatif ）,local level（ La carte des connaissances démontées est 2- Oui.view） Apprentissage comparatif combiné à la cartographie ,Oui.local levelEtglobal level（Structureview） Apprentissage comparatif combiné à la cartographie

Résultats expérimentaux

Conclusions

12. Recommandations de dialogue axées sur l'utilisateur

Li shuokai, Institut de calcul de l'Académie chinoise des sciences

Contexte de la recherche

Programme technique

Similitude

Conception de la fonction de perte de pré - formation basée sur l'apprentissage comparatif

Effets expérimentaux

13. Recommandation du médecin

Hong Kong Polytechnic University Lu Xiaoxin

Questions anonymes, Donc il n'y a pas de dossier patient （Données historiques）

self-learning task：Résolutionstyle gapLa question de