Self-Attentive Sequential Recommendation

• ICDM 2018
• 用类似Transfomer的结构做序列推荐
• 以前的序列推荐一般基于Markov Chains或者RNN，Markov Chains善于处理短期相关（稀疏）的数据，RN善于处理长期相关；本文旨在平衡这两个，并且做到在这两类数据上做的比Markov Chains和RNN都好
• Self Attention：跟Transfomer（Attention is all you need）一样，只是为了做序列推荐，做了一些相应的改动
• 位置Embedding：加每个位置的Embedding一个可训练的向量
• Attention(Q,K,V)中，Q、K和V都是Embedding乘一个不同的矩阵变换得到，这样具有不对称性（ i 对 j 的Attention和 j 对 i 的Attention不同）
• 每个item只对它之前的item做Attention
• 每个时间步的输出都做预测，算loss
• 加了dropout、residual和normalization
• 数据集：Amazon、Steam和MovieLens

Neural user response generator: Fake news detection with collective user intelligence

• IJCAI 2018
• 北大的文章
• 假新闻识别
• 以前的工作都是要利用假新闻的早期增长趋势，而且要等到假新闻已经散播的很广了之后才能识别
• 本文只需要用到新闻的文本内容就能识别
• 本文认为用户对新闻的评论有助于识别真假新闻，所以构造了一个生成器，生成用户对一个新闻的评论，用来帮助假新闻识别

Neural Tensor Factorization for Temporal Interaction Learning

• WSDM 2019
• 挺没贡献的一篇文章，就是LSTM加上MLP
• 类似于矩阵分解（MF），只是MF是二维的，Tensor Factorization是多维的，本文是三维的，就与预测某个user对某个item在某个time的打分
• 把每个user、item、time的用一个低维向量表示
• 然后把某时刻之前一段时间的time向量表示用LSTM建模得到dynamic time表示
• 然后把user、item、dynamic time表示三个拼起来，用MLP建模得到预测的值

Sequential recommender system based on hierarchical attention network

• IJCAI 2018
• 序列推荐，推荐下一个
• 用两层Attention结构对用户建模
• 第一层Attention：user对长的历史序列做Attention
• 第二层Attention：user对当前session里面的item（短期历史序列）做Attention（这里还加上了长期Attention的结果）
• 在同一天里面的数据看作一个session
• 用BRP loss优化模型参数
• 实验，他没切分验证集

Taxonomy-Aware Multi-Hop Reasoning Networks for Sequential Recommendation

• WSDM 2019
• 利用分类数据来做序列推荐
• 前人的方法都是从序列中学习出单个向量表示，这样限制了捕捉多粒度的序列特征
• 之前的方法也都是把直接上下文特征向量当做辅助输入，这样限制了捕捉结构模式
• 为了便于用户选择，商品一般会有多级分类信息
• 为多级分类设计了一个多跳的Memory network对用户建模，得到用户当前表示，用来预测下一个物品
• 公开了数据集和代码：https://github.com/RUCDM/TMRN

Time is of the Essence: a Joint Hierarchical RNN and Point Process Model for Time and Item Predictions

• WSDM 2019
• Session based recommendation 和 point process 结合