今日推荐系统最新论文

Posted 2021-05-01 AI最新论文分享

导读

今日两篇论文分别是：负采样和分布式隐私保护方面的。

1

本文是2020年WWW的oral论文。arXiv:2003.05753

正确处理丢失的数据是推荐中的一个基本挑战。目前的工作大多是对未观测数据进行负采样，为推荐模型的训练提供负信号。然而，现有的负采样策略，无论是静态的还是自适应的，都不足以产生高质量的负采样—既能提供模型训练的信息，又能反映用户的真实需求。

在这项工作中，作者假设item知识图谱(KG，它提供了丰富的item和KG实体之间的关系)可以用来推断信息和真实的负样本。为此，作者开发了一种新的负采样模型—知识图谱策略网络(KGPolicy)，它作为一种强化学习代理来探索高质量的负样本。具体来说，通过我们设计的探索操作，它从目标的正向交互中导航，自适应地接收到knowledge-aware的负信号，最终产生一个潜在的负样本来训练推荐器。作者在一个配备了KGPolicy的矩阵分解(MF)模型上进行了测试，它在DNS和IRGAN等最先进的采样方法和KGAT等KG增强的推荐模型上都取得了显著的改进。

2

arXiv:2003.05610

由于地理位置网络如Foursquare和Yelp的日益流行，兴趣点(POI)推荐最近受到了广泛关注。在现有的POI推荐方法中，基于矩阵分解(MF)的技术已被证明是有效的。

然而，现有的MF方法存在两个主要问题:(1)由于集中式的模型训练机制，计算和存储开销很大:集中式的学习者必须维护整个用户-物品评分矩阵，并且可能需要维护巨大的低秩矩阵(用户和物品的特征向量矩阵)。(2)隐私问题:用户偏好存在通过集中式学习器泄露给恶意攻击者的风险。

为了解决这些问题，作者提出了一个去中心化的MF(DMF)框架来进行POI推荐。具体来说，作者提出了一种基于随机游走的分散训练技术来训练每个用户端的MF模型，例如手机和Pad，而不是保持所有的低秩矩阵和敏感的评分数据来进行训练。通过这样做，每个用户的评分仍然保持在自己的手上，分散学习可以被看作是多学习者(用户)的分布式学习，从而减少了计算和存储的问题。在两个真实数据集上的实验结果表明，与经典的和最新的隐因子模型相比，DMF在精度和召回率方面显著提高了推荐性能。