写点什么

经典推荐:工业界深度推荐系统与 CTR 预估方向必读论文汇总

  • 2019-09-30
  • 本文字数:1570 字

    阅读完需:约 5 分钟

经典推荐:工业界深度推荐系统与CTR预估方向必读论文汇总

本文来自“深度推荐系统”专栏,这个系列将介绍在深度学习的强力驱动下,给推荐系统工业界所带来的最前沿的变化。本文主要根据 Google 推出的引领推荐系统与 CTR 预估工业界潮流至今的一大神作 W&D[1],所总结出来的深度推荐系统与 CTR 预估工业界必读的论文汇总。


起初是因为在唐杰老师的微博上看到其学生整理的一个关于 Bert 论文高引用相关的图片(https://weibo.com/2126427211/I4cXHxIy4)。


一个伟大的学生做的一个 BERT 的论文以及它引用的文章之间的关系,相当于是一个针对论文 Citation 的 Finding->Reasoning->Exploring 的过程。感觉做得很酷,忍不住 share 出来了。。。他伟大地决定要写个算法自动搞定!


觉得这个整理思路不错,于是也照葫芦画瓢整理了一下推荐系统和 CTR 预估上工业界同样鼎鼎大名 Google 出品的 W&D[1]论文相关高引用的论文汇总。其实主要是对近年来推荐系统和 CTR 预估工业界影响力较大的论文做一个简单的思路梳理,首先上图如下,圆圈内数字为论文被引用数量。



Collaborative Filtering


  • [WWW 17] Neural Collaborative Filtering

  • [SIGIR 18] Collaborative Memory Network for Recommendation Systems


Deep 部分演进


  • [SIGIR 17] Neural Factorization Machines for Sparse Predictive Analytics

  • [IJCAI 17] Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks

  • [ECIR 16] Factorization-supported Neural Network

  • [TOIS 18] Product-Based Neural Networks for User Response Prediction over Multi-Field Categorical Data

  • [RecSys 19] FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction

  • [KDD 18] Deep Interest Network for Click-through Rate Prediction

  • [AAAI 19] Deep Interest Evolution Network for Click-Through Rate Prediction

  • [IJCAI 19] Deep Session Interest Network for Click-Through Rate Prediction

  • [CIKM 19] AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks


Wide 部分演进


  • [IJCAI 17] DeepFM: A Factorization-Machine based Neural Network for CTR Prediction

  • [KDD 17] Deep & Cross Network for Ad Click Predictions

  • [KDD 18] xDeepFM: Combining Explicit and Implicit Feature Interactions

  • for Recommender Systems

  • [WWW 19] Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction


强化学习


  • [WWW 17] DRN: A Deep Reinforcement Learning Framework for News Recommendation

  • [WSDM 19] Top-K Off-Policy Correction for a REINFORCE Recommender System

  • [IJCAI 19] Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology


知识图谱


  • [WWW 17] DKN: Deep Knowledge-Aware Network for News Recommendation

  • [CIKM 18] RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems


Embedding 技术


  • [ICCCA 18] Item2Vec-Neural Item Embedding for Collaborative Filtering

  • [RecSys 16] Meta-Prod2Vec: Product Embeddings Using Side-Information for Recommendation

  • [KDD 18] Real-time Personalization using Embeddings for Search Ranking at Airbnb

  • [KDD 18] Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

  • [WWW 19] NetSMF: Large-Scale Network Embedding as Sparse Matrix Factorization

  • [IJCAI 19] ProNE: Fast and Scalable Network Representation Learning

参考文献

[1] Wide & Deep Learning for Recommender Systems, DLRS 2016


本文授权转载自知乎专栏“深度推荐系统”。原文链接:https://zhuanlan.zhihu.com/p/73369087


2019-09-30 08:104291

评论

发布
暂无评论
发现更多内容

央行数字货币或将成为经济“内循环”的未来加速器

CECBC

数字经济 全球经济下行 降息 惠普金融深化

什么样的信任才值得拥有?谈一谈极客邦的5K1S文档

霍太稳@极客邦科技

Django框架,Flask框架和Tornado框架各有什么优缺点

古月木易

django flask tornado

Django框架,Flask框架和Tornado框架各有什么优缺点

奈学教育

django flask tornado

如何成为一个成功的首席数据官

麒思妙想

秒杀全网!研发、运营必备实用工具网站

程序员生活志

工具类网站

week08 总结

Z冰红茶

池化技术到达有多牛?看了线程和线程池的对比吓我一跳!

王磊

Java

当远程工作成为未来的工作方式......

Atlassian

Atlassian Jira

架构训练营第八周作业

张锐

第八周作业

andy

极客大学

原创 | 使用JPA全面实现DDD持久化【关于本书】

编程道与术

Java hibernate DDD JDBC jpa

LeetCode题解:142. 环形链表 II,JavaScript,快慢指针,详细注释

Lee Chen

大前端 LeetCode

一周信创舆情观察(7.20~7.26)

统小信uos

真香!Linux 原来是这么管理内存的

苹果看辽宁体育

Linux 操作系统

Flink 1.11 SQL 使用攻略

Apache Flink

flink

你好,工作!

小天同学

工作 心态 自我思考

第八周总结

andy

极客大学

顺势昌,逆势亡:人啊,得学会做信天翁,而不是鹧鸪鸟

非著名程序员

创业 程序员 管理 提升认知

蚂蚁上市:P7可获1200万元期权,酸酸酸酸酸...

程序员生活志

互联网热点 蚂蚁金服

国家版权局发布《关于规范摄影作品版权秩序的通知》

CECBC

电子存证 作品版权 侵权盗版 剑网2019

到底一台服务器能够支持多少TCP并发连接?

南方有乔木兮

NameNode和SecondaryNameNode工作机制

古月木易

NameNode econdaryNameNode

NameNode和SecondaryNameNode工作机制

奈学教育

NameNode

第八周作业

田振宇

实战:docker搭建FastDFS文件系统并集成SpringBoot

生命在于折腾

springboot

QQ音乐PB级ClickHouse实时数据平台架构演进之路

腾讯云大数据

大数据

乘商用之风,破后疫情之浪:丁耘分享华为如何持续护航5G新价值

脑极体

将Arch Linux安装到U盘

Kurtis Moxley

Linux 安装操作系统

如何设计一个亿级消息量的IM系统

Java Architecture Architect IM Instant Messaging

一个小实验,来

池建强

算法 薪资

经典推荐:工业界深度推荐系统与CTR预估方向必读论文汇总_文化 & 方法_深度传送门_InfoQ精选文章