2019 KDD Recommendation System Review

KDD 2019 有不少 RS 的文章是围绕 Ratings and Reviews Information 进行的,这两种内容慢慢加入 RS 的考虑当中,以获得更好的稳定性和动态性能。依然有少数的文章在讨论 RS 的鲁棒性。

更多的 RS 开始使用深度模型,比如 Deep Q-learning 或者 DNN 之类,以获得更好的随时间增加的准确性。也有文章讨论冷启动的问题,不过还是少部分。

大多数 RS 的文章集中解决在一个特定环境下的 Recommendation 问题,比如道路推荐或者是购物推荐,考虑多种多样的现实情况,其中 Rating 情况被考虑的比较多,较多相关文章都讨论到了 TOP Rating 方法和 List-wise Rating 的方法差距,这个内容在下面的 Reviewing 中也有体现。

总之,仅在 RS 方面进行的讨论还是相对集中,其中解决的问题也有一定的共通性,想要了解更多情况可以阅读文章或者浏览下方的 Review。

这里的 Review 遵循着这样的结构进行书写:

  • 每篇文章会有首页进行文章信息的描述,方便读者找到相应的原文;
  • 紧接着文章信息描述页,会有一段文字概括 Abstract,便于大致了解文章工作内容;
  • 介绍文章方法背景;
  • 介绍文章方法具体的模型结构;
  • 介绍文章进行的试验和实验结果,以了解文章提出的模型性能。

详细内容请参考 PDF,对其有任何问题欢迎指出。


PDF - 2019 KDD Recommender System Papers Review


如果你需要 Powerpoint 原件,这里很乐意提供,欢迎邮件联系。