前沿拓展：

---

文章轉(zhuǎn)載自**

深度傳送門 ， 作者 深度傳送門

導(dǎo)讀：本文是“深度推薦系統(tǒng)”專欄的第七篇文章，這個(gè)系列將介紹在深度學(xué)習(xí)的強(qiáng)力驅(qū)動(dòng)下，給推薦系統(tǒng)工業(yè)界所帶來(lái)的最前沿的變化。本文主要小編綜合來(lái)說(shuō)一下深度推薦系統(tǒng)與CTR預(yù)估2019年值得精讀的論文。 歡迎轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)注明出處以及鏈接，更多關(guān)于深度推薦系統(tǒng)優(yōu)質(zhì)內(nèi)容請(qǐng)關(guān)注如下頻道。知乎專欄：深度推薦系統(tǒng) 微博：深度傳送門 **：深度傳送門

微博上近日流傳一個(gè)段子，“2020年曾是各大科幻片中遙遠(yuǎn)的未來(lái)，但是現(xiàn)在離這個(gè)遙遠(yuǎn)的未來(lái)也只有6個(gè)月時(shí)間了”。只是借此感慨一下2019年轉(zhuǎn)瞬之間半年的時(shí)間已經(jīng)過(guò)去了，目前深度學(xué)習(xí)火熱朝天，深度學(xué)習(xí)在推薦系統(tǒng)和CTR預(yù)估工業(yè)界的論文也是一篇接著一篇良莠不齊。

接下來(lái)主要小編綜合來(lái)說(shuō)一下2019年上半年工業(yè)界深度推薦系統(tǒng)與CTR預(yù)估上值得精讀的論文。個(gè)人整理難免遺漏，也歡迎各位同行朋友評(píng)論另外哪些想額外推薦精讀的論文。

1. Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM 2019, Google

作者：Minmin Chen, Alex Beutel, Paul Covington, Sagar Jain, Francois Belletti, Ed Chi；

論文：t.cn/EUus1wu；Keynote：t.cn/EJFyMBk；

位列首位的當(dāng)屬**推薦強(qiáng)化學(xué)習(xí)的兩篇論文。雖然強(qiáng)化學(xué)習(xí)目前在推薦系統(tǒng)和CTR預(yù)估領(lǐng)域工業(yè)界由于系統(tǒng)復(fù)雜、效果未有顯著提升等眾所周知的原因確實(shí)不夠成熟也尚未大規(guī)模應(yīng)用起來(lái)。但是**推薦的這兩篇論文從某種程度上讓強(qiáng)化學(xué)習(xí)的應(yīng)用方向變得更明確了一些，而且作者在Industry Day上也宣稱線上實(shí)驗(yàn)效果顯示這個(gè)是**單個(gè)項(xiàng)目近兩年來(lái)最大的reward增長(zhǎng)，也從某種程度上會(huì)激發(fā)各大公司的研究者們繼續(xù)跟進(jìn)的興趣。

這是第一篇論文，提出了一種Top-K的Off-Policy修正方案將RL中Policy-Gradient類算法得以應(yīng)用在動(dòng)作空間數(shù)以百萬(wàn)計(jì)的**在線推薦系統(tǒng)中。

2. Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology, IJCAI 2019, Google

作者：Eugene Ie, Vihan Jain, Jing Wang, …, Jim McFadden, Tushar Chandra, Craig Boutilier；

論文：t.cn/AiKFHvYU；

這是**推薦應(yīng)用強(qiáng)化學(xué)習(xí)的第二彈，主要貢獻(xiàn)是提出了一種名為SLATEQ的Q-Learning算法，優(yōu)化推薦系統(tǒng)里面同時(shí)展示給用戶多個(gè)item情況的長(zhǎng)期收益LTV（Long-term Value）,將長(zhǎng)期收益加入排序多目標(biāo)中進(jìn)行建模優(yōu)化。重點(diǎn)在于與baseline使用的深度網(wǎng)絡(luò)和輸入特征都完全一樣。詳見(jiàn)：**推薦已經(jīng)上線RL了，強(qiáng)化學(xué)習(xí)在推薦廣告工業(yè)界大規(guī)模應(yīng)用還遠(yuǎn)嗎？

3. Deep Learning Recommendation Model for Personalization and Recommendation Systems

作者：Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi,…, Bill Jia, Liang Xiong, Misha **elyanskiy；

論文：t.cn/Ai0rIUd0；代碼：t.cn/AiNGzCsY；解讀：t.cn/AiOX38PL；

FaceBook推薦最新論文，通過(guò)建模與系統(tǒng)協(xié)同設(shè)計(jì)提出一種butterfly-shuffle的機(jī)制來(lái)提升模型并行化，離線訓(xùn)練上在沒(méi)有任何超參調(diào)優(yōu)下收斂速度與準(zhǔn)確率優(yōu)于DCN，并開(kāi)源了代碼。

4. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW 2019, Huawei

作者：Bin Liu, Ruiming Tang, Yingzhi Chen, Jinkai Yu, Huifeng Guo, Yuzhou Zhang；

論文：t.cn/AipAFS3p；

華為 at WWW 2019，提出基于卷積神經(jīng)網(wǎng)絡(luò)的CTR特征生成方法FGCNN，包含特征生成和深度分類器兩部分，可以和任意CTR預(yù)估模型進(jìn)行組合。

5. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Li Li, Heng Zou, Xin Xing, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jTY68；代碼：t.cn/Ai0jTY6u；

阿里 at KDD 2019，提出DSTN模型用于點(diǎn)擊率CTR預(yù)估，考慮更多空域與時(shí)域的輔助信息包括上下文展示過(guò)的ad以及歷史點(diǎn)擊/未點(diǎn)擊ad來(lái)更好地預(yù)測(cè)目標(biāo)item的點(diǎn)擊率。從論文實(shí)驗(yàn)數(shù)據(jù)看，效果大幅度超過(guò)DeepFM和GRU，并開(kāi)源了代碼。

6. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks

作者：Weiping Song, Chence Shi, Zhiping Xiao, Zhijian Duan, Yewen Xu, Ming Zhang, Jian Tang；

論文：t.cn/AipG8aXz；代碼：t.cn/EI8Pnso；

最新的深度CTR預(yù)估模型AutoInt，通過(guò)過(guò)Multi-head注意力機(jī)制將特征投射到多個(gè)子空間中，并在不同的子空間中捕獲不同的特征組合形式，效果超過(guò)xDeepFM等達(dá)到最好。

7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent

作者：Yudan Liu, Kaikai Ge, Xu Zhang, Leyu Lin

論文：t.cn/AiOaAg1Q；解讀：t.cn/AiOaAg1E；

騰訊 at KDD2019，微信看一看團(tuán)隊(duì)對(duì)傳統(tǒng)Look-alike進(jìn)行了改造，提出實(shí)時(shí)Look-alike算法RALM，解決推薦系統(tǒng)多樣性問(wèn)題，效果好于**DNN。

8. Joint Optimization of Tree-based Index and Deep Model for Recommender Systems

作者：Han Zhu, Daqing Chang, Ziru Xu, Pengye Zhang, Xiang Li, Jie He, Han Li, Jian Xu, Kun Gai；

論文：t.cn/AiN5T8Ks；TDM論文：t.cn/RQ5MrSg；

還記得阿里 at KDD 2018的深度樹(shù)匹配召回模型TDM嗎？升級(jí)版JTM提出索引與模型同時(shí)優(yōu)化的方案，大幅提升召回效果。

9. A User-Centered Concept Mining System for Query and Document Understanding at Tencent, KDD 2019, Tencent

作者：Bang Liu, Weidong Guo, Di Niu, Chaoyue Wang, Shunnan Xu, Jinghong Lin, Kunfeng Lai, Yu Xu

論文：t.cn/Ai09Dxkd；解讀：t.cn/Ai09DxkB；數(shù)據(jù)資源：t.cn/Ai09Dxkr；

騰訊 at KDD2019，構(gòu)建了ConcepT概念挖掘標(biāo)記系統(tǒng)，利用query搜索點(diǎn)擊日志從用戶視角提取不同的概念，以提高對(duì)短文本（query）和長(zhǎng)文章（document）的理解，從而推動(dòng)推薦，搜索等業(yè)務(wù)的提升。實(shí)驗(yàn)證明，ConcepT在 QQ 瀏覽器信息流業(yè)務(wù)中性能優(yōu)異，曝光效率相對(duì)提升6.01%。

10. Deep Session Interest Network for Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Yufei Feng, Fuyu Lv, Weichen Shen, Menghan Wang, Fei Sun, Yu Zhu, Keping Yang；

論文：t.cn/AiN9QZnV；代碼：t.cn/AiN9QZnV；

阿里 at IJCAI2019，考慮到不同用戶行為序列的session內(nèi)行為同構(gòu)與session之間行為異構(gòu)的特性提出了基于sesssion的CTR預(yù)估模型DSIN。使用self-attention機(jī)制抽取session內(nèi)用戶興趣，使用Bi-LSTM針對(duì)用戶跨session興趣進(jìn)行建模。

11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent

作者：Fuxing Hong, Dongbo Huang, Ge Chen；

論文：t.cn/Ai0WHak5；代碼：t.cn/Ai0WHakt；

騰訊 at AAAI2019，提出IFM通過(guò)特征以及特征組不同角度靈活學(xué)習(xí)特征間交互的重要性，并提出了通用的Interation-NN框架和DeepIFM來(lái)捕捉高階交互，效果優(yōu)于DeepFM并開(kāi)源了代碼。

12. Multi-Interest Network with Dynamic Routing for Recommendation at Tmall

作者：Chao Li, Zhiyuan Liu, Mengmeng Wu, …, Qiwei Chen, Wei Li, Dik Lun Lee

論文：t.cn/AiOao6I4；解讀：t.cn/AiOao6I4；

阿里天貓?zhí)岢鯩IND模型通過(guò)Dynamic Routing的方法從用戶行為和用戶屬性信息中動(dòng)態(tài)學(xué)習(xí)出多個(gè)表示用戶興趣的向量，更好的捕捉用戶的多樣興趣，來(lái)提升召回的豐富度和準(zhǔn)確度，效果好于**DNN。

13. Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Qi Pi, Weijie Bian, Guorui Zhou, Xiaoqiang Zhu, Kun Gai；

論文：t.cn/AiN4s4oe；

阿里 at KDD2019，通過(guò)系統(tǒng)設(shè)計(jì)解決用戶超長(zhǎng)行為歷史下CTR建模與在線預(yù)測(cè)性能瓶頸，效果好于GRU4Rec和DIEN。

14. Neural News Recommendation with Long- and Short-term User Representations, ACL 2019, Microsoft

作者：Mingxiao An，F(xiàn)angzhao Wu，Chuhan Wu，Kun Zhang，Zheng Liu，Xing Xie；

論文：t.cn/Ai029G81；

微軟 at ACL 2019，LSTUR用于在**推薦任務(wù)中同時(shí)學(xué)習(xí)用戶長(zhǎng)期和短期的興趣表示。模型的整體結(jié)構(gòu)可分為**編碼器、用戶長(zhǎng)期興趣和短期興趣模型、以及候選**的個(gè)性化分?jǐn)?shù)預(yù)測(cè)模型，效果好于GRU4Rec。

15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019

作者：Chen Ma, Peng Kang, Xue Liu；

論文：t.cn/AipuFYkG；代碼：t.cn/AipuFYkb；

KDD2019，HGN提出通過(guò)feature與instance gating的多層級(jí)結(jié)構(gòu)結(jié)合BPR來(lái)更好的捕獲用戶的長(zhǎng)短期興趣，效果好于GRU4Rec以及NextItRec。

16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba

作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang, Wenwu Ou

論文：t.cn/Ai9JgWoJ；解讀：t.cn/AiKBda4q

阿里巴巴搜索推薦事業(yè)部的新研究，首次使用強(qiáng)大的 Transformer 模型捕獲用戶行為序列的序列信號(hào)，供電子商務(wù)場(chǎng)景的推薦系統(tǒng)使用。原有DIN 提出使用注意力機(jī)制來(lái)捕獲候選項(xiàng)與用戶先前點(diǎn)擊商品之間的相似性，但未考慮用戶行為序列背后的序列性質(zhì)。離線實(shí)驗(yàn)和在線 A/B 測(cè)試表明，BST 與現(xiàn)有方法相比有明顯優(yōu)勢(shì)。目前 BST 已經(jīng)部署在淘寶推薦的 rank 階段，每天為數(shù)億消費(fèi)者提供推薦服務(wù)[2]。

17. Operation-aware Neural Networks for User Response Prediction

作者：Yi Yang, Baile Xu, Furao Shen, Jian Zhao；

論文：t.cn/AiO2Dp5k；代碼：t.cn/Ev4H3Jm；

深度CTR預(yù)估新積木：PNN + FFM – FM = ONN模型，效果好于DeepFM和PNN。

18. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, Alibaba

作者：Fei Sun, Jun Liu, Jian Wu, Changhua Pei, Xiao Lin, Wenwu Ou, Peng Jiang；

論文：t.cn/AiNqPitA；

Transformer引入推薦系統(tǒng)工業(yè)界，利用用戶歷史點(diǎn)擊序列預(yù)測(cè)下一個(gè)點(diǎn)擊item，效果超過(guò)GRU4Rec。

19. A Capsule Network for Recommendation and Explaining What You Like and Dislike, SIGIR2019, Alibaba

作者：henliang Li, Cong Quan, Li Peng, Yunwei Qi, Yuming Deng, Libing Wu；

論文：t.cn/AiOLWp6x；

阿里 at SIGIR2019，膠囊神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦提出CARP模型來(lái)從評(píng)論中更好地建模用戶對(duì)商品的喜好程度，效果好于最新的ANR等。

20. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Chao Qi, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jcGIZ；代碼：t.cn/Ai0jcGIw；

阿里 at IJCAI2019，提出DeepMCP模型通過(guò)匹配、關(guān)聯(lián)、預(yù)測(cè)三個(gè)子模塊更好地建模用戶-ad，ad之間以及特征-CTR關(guān)系，效果優(yōu)于DeepFM并開(kāi)源了代碼。

拓展知識(shí)：

前沿拓展：

---

文章轉(zhuǎn)載自**

深度傳送門 ， 作者 深度傳送門

導(dǎo)讀：本文是“深度推薦系統(tǒng)”專欄的第七篇文章，這個(gè)系列將介紹在深度學(xué)習(xí)的強(qiáng)力驅(qū)動(dòng)下，給推薦系統(tǒng)工業(yè)界所帶來(lái)的最前沿的變化。本文主要小編綜合來(lái)說(shuō)一下深度推薦系統(tǒng)與CTR預(yù)估2019年值得精讀的論文。 歡迎轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)注明出處以及鏈接，更多關(guān)于深度推薦系統(tǒng)優(yōu)質(zhì)內(nèi)容請(qǐng)關(guān)注如下頻道。知乎專欄：深度推薦系統(tǒng) 微博：深度傳送門 **：深度傳送門

微博上近日流傳一個(gè)段子，“2020年曾是各大科幻片中遙遠(yuǎn)的未來(lái)，但是現(xiàn)在離這個(gè)遙遠(yuǎn)的未來(lái)也只有6個(gè)月時(shí)間了”。只是借此感慨一下2019年轉(zhuǎn)瞬之間半年的時(shí)間已經(jīng)過(guò)去了，目前深度學(xué)習(xí)火熱朝天，深度學(xué)習(xí)在推薦系統(tǒng)和CTR預(yù)估工業(yè)界的論文也是一篇接著一篇良莠不齊。

接下來(lái)主要小編綜合來(lái)說(shuō)一下2019年上半年工業(yè)界深度推薦系統(tǒng)與CTR預(yù)估上值得精讀的論文。個(gè)人整理難免遺漏，也歡迎各位同行朋友評(píng)論另外哪些想額外推薦精讀的論文。

1. Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM 2019, Google

作者：Minmin Chen, Alex Beutel, Paul Covington, Sagar Jain, Francois Belletti, Ed Chi；

論文：t.cn/EUus1wu；Keynote：t.cn/EJFyMBk；

位列首位的當(dāng)屬**推薦強(qiáng)化學(xué)習(xí)的兩篇論文。雖然強(qiáng)化學(xué)習(xí)目前在推薦系統(tǒng)和CTR預(yù)估領(lǐng)域工業(yè)界由于系統(tǒng)復(fù)雜、效果未有顯著提升等眾所周知的原因確實(shí)不夠成熟也尚未大規(guī)模應(yīng)用起來(lái)。但是**推薦的這兩篇論文從某種程度上讓強(qiáng)化學(xué)習(xí)的應(yīng)用方向變得更明確了一些，而且作者在Industry Day上也宣稱線上實(shí)驗(yàn)效果顯示這個(gè)是**單個(gè)項(xiàng)目近兩年來(lái)最大的reward增長(zhǎng)，也從某種程度上會(huì)激發(fā)各大公司的研究者們繼續(xù)跟進(jìn)的興趣。

這是第一篇論文，提出了一種Top-K的Off-Policy修正方案將RL中Policy-Gradient類算法得以應(yīng)用在動(dòng)作空間數(shù)以百萬(wàn)計(jì)的**在線推薦系統(tǒng)中。

2. Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology, IJCAI 2019, Google

作者：Eugene Ie, Vihan Jain, Jing Wang, …, Jim McFadden, Tushar Chandra, Craig Boutilier；

論文：t.cn/AiKFHvYU；

這是**推薦應(yīng)用強(qiáng)化學(xué)習(xí)的第二彈，主要貢獻(xiàn)是提出了一種名為SLATEQ的Q-Learning算法，優(yōu)化推薦系統(tǒng)里面同時(shí)展示給用戶多個(gè)item情況的長(zhǎng)期收益LTV（Long-term Value）,將長(zhǎng)期收益加入排序多目標(biāo)中進(jìn)行建模優(yōu)化。重點(diǎn)在于與baseline使用的深度網(wǎng)絡(luò)和輸入特征都完全一樣。詳見(jiàn)：**推薦已經(jīng)上線RL了，強(qiáng)化學(xué)習(xí)在推薦廣告工業(yè)界大規(guī)模應(yīng)用還遠(yuǎn)嗎？

3. Deep Learning Recommendation Model for Personalization and Recommendation Systems

作者：Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi,…, Bill Jia, Liang Xiong, Misha **elyanskiy；

論文：t.cn/Ai0rIUd0；代碼：t.cn/AiNGzCsY；解讀：t.cn/AiOX38PL；

FaceBook推薦最新論文，通過(guò)建模與系統(tǒng)協(xié)同設(shè)計(jì)提出一種butterfly-shuffle的機(jī)制來(lái)提升模型并行化，離線訓(xùn)練上在沒(méi)有任何超參調(diào)優(yōu)下收斂速度與準(zhǔn)確率優(yōu)于DCN，并開(kāi)源了代碼。

4. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW 2019, Huawei

作者：Bin Liu, Ruiming Tang, Yingzhi Chen, Jinkai Yu, Huifeng Guo, Yuzhou Zhang；

論文：t.cn/AipAFS3p；

華為 at WWW 2019，提出基于卷積神經(jīng)網(wǎng)絡(luò)的CTR特征生成方法FGCNN，包含特征生成和深度分類器兩部分，可以和任意CTR預(yù)估模型進(jìn)行組合。

5. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Li Li, Heng Zou, Xin Xing, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jTY68；代碼：t.cn/Ai0jTY6u；

阿里 at KDD 2019，提出DSTN模型用于點(diǎn)擊率CTR預(yù)估，考慮更多空域與時(shí)域的輔助信息包括上下文展示過(guò)的ad以及歷史點(diǎn)擊/未點(diǎn)擊ad來(lái)更好地預(yù)測(cè)目標(biāo)item的點(diǎn)擊率。從論文實(shí)驗(yàn)數(shù)據(jù)看，效果大幅度超過(guò)DeepFM和GRU，并開(kāi)源了代碼。

6. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks

作者：Weiping Song, Chence Shi, Zhiping Xiao, Zhijian Duan, Yewen Xu, Ming Zhang, Jian Tang；

論文：t.cn/AipG8aXz；代碼：t.cn/EI8Pnso；

最新的深度CTR預(yù)估模型AutoInt，通過(guò)過(guò)Multi-head注意力機(jī)制將特征投射到多個(gè)子空間中，并在不同的子空間中捕獲不同的特征組合形式，效果超過(guò)xDeepFM等達(dá)到最好。

7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent

作者：Yudan Liu, Kaikai Ge, Xu Zhang, Leyu Lin

論文：t.cn/AiOaAg1Q；解讀：t.cn/AiOaAg1E；

騰訊 at KDD2019，微信看一看團(tuán)隊(duì)對(duì)傳統(tǒng)Look-alike進(jìn)行了改造，提出實(shí)時(shí)Look-alike算法RALM，解決推薦系統(tǒng)多樣性問(wèn)題，效果好于**DNN。

8. Joint Optimization of Tree-based Index and Deep Model for Recommender Systems

作者：Han Zhu, Daqing Chang, Ziru Xu, Pengye Zhang, Xiang Li, Jie He, Han Li, Jian Xu, Kun Gai；

論文：t.cn/AiN5T8Ks；TDM論文：t.cn/RQ5MrSg；

還記得阿里 at KDD 2018的深度樹(shù)匹配召回模型TDM嗎？升級(jí)版JTM提出索引與模型同時(shí)優(yōu)化的方案，大幅提升召回效果。

9. A User-Centered Concept Mining System for Query and Document Understanding at Tencent, KDD 2019, Tencent

作者：Bang Liu, Weidong Guo, Di Niu, Chaoyue Wang, Shunnan Xu, Jinghong Lin, Kunfeng Lai, Yu Xu

論文：t.cn/Ai09Dxkd；解讀：t.cn/Ai09DxkB；數(shù)據(jù)資源：t.cn/Ai09Dxkr；

騰訊 at KDD2019，構(gòu)建了ConcepT概念挖掘標(biāo)記系統(tǒng)，利用query搜索點(diǎn)擊日志從用戶視角提取不同的概念，以提高對(duì)短文本（query）和長(zhǎng)文章（document）的理解，從而推動(dòng)推薦，搜索等業(yè)務(wù)的提升。實(shí)驗(yàn)證明，ConcepT在 QQ 瀏覽器信息流業(yè)務(wù)中性能優(yōu)異，曝光效率相對(duì)提升6.01%。

10. Deep Session Interest Network for Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Yufei Feng, Fuyu Lv, Weichen Shen, Menghan Wang, Fei Sun, Yu Zhu, Keping Yang；

論文：t.cn/AiN9QZnV；代碼：t.cn/AiN9QZnV；

阿里 at IJCAI2019，考慮到不同用戶行為序列的session內(nèi)行為同構(gòu)與session之間行為異構(gòu)的特性提出了基于sesssion的CTR預(yù)估模型DSIN。使用self-attention機(jī)制抽取session內(nèi)用戶興趣，使用Bi-LSTM針對(duì)用戶跨session興趣進(jìn)行建模。

11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent

作者：Fuxing Hong, Dongbo Huang, Ge Chen；

論文：t.cn/Ai0WHak5；代碼：t.cn/Ai0WHakt；

騰訊 at AAAI2019，提出IFM通過(guò)特征以及特征組不同角度靈活學(xué)習(xí)特征間交互的重要性，并提出了通用的Interation-NN框架和DeepIFM來(lái)捕捉高階交互，效果優(yōu)于DeepFM并開(kāi)源了代碼。

12. Multi-Interest Network with Dynamic Routing for Recommendation at Tmall

作者：Chao Li, Zhiyuan Liu, Mengmeng Wu, …, Qiwei Chen, Wei Li, Dik Lun Lee

論文：t.cn/AiOao6I4；解讀：t.cn/AiOao6I4；

阿里天貓?zhí)岢鯩IND模型通過(guò)Dynamic Routing的方法從用戶行為和用戶屬性信息中動(dòng)態(tài)學(xué)習(xí)出多個(gè)表示用戶興趣的向量，更好的捕捉用戶的多樣興趣，來(lái)提升召回的豐富度和準(zhǔn)確度，效果好于**DNN。

13. Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Qi Pi, Weijie Bian, Guorui Zhou, Xiaoqiang Zhu, Kun Gai；

論文：t.cn/AiN4s4oe；

阿里 at KDD2019，通過(guò)系統(tǒng)設(shè)計(jì)解決用戶超長(zhǎng)行為歷史下CTR建模與在線預(yù)測(cè)性能瓶頸，效果好于GRU4Rec和DIEN。

14. Neural News Recommendation with Long- and Short-term User Representations, ACL 2019, Microsoft

作者：Mingxiao An，F(xiàn)angzhao Wu，Chuhan Wu，Kun Zhang，Zheng Liu，Xing Xie；

論文：t.cn/Ai029G81；

微軟 at ACL 2019，LSTUR用于在**推薦任務(wù)中同時(shí)學(xué)習(xí)用戶長(zhǎng)期和短期的興趣表示。模型的整體結(jié)構(gòu)可分為**編碼器、用戶長(zhǎng)期興趣和短期興趣模型、以及候選**的個(gè)性化分?jǐn)?shù)預(yù)測(cè)模型，效果好于GRU4Rec。

15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019

作者：Chen Ma, Peng Kang, Xue Liu；

論文：t.cn/AipuFYkG；代碼：t.cn/AipuFYkb；

KDD2019，HGN提出通過(guò)feature與instance gating的多層級(jí)結(jié)構(gòu)結(jié)合BPR來(lái)更好的捕獲用戶的長(zhǎng)短期興趣，效果好于GRU4Rec以及NextItRec。

16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba

作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang, Wenwu Ou

論文：t.cn/Ai9JgWoJ；解讀：t.cn/AiKBda4q

阿里巴巴搜索推薦事業(yè)部的新研究，首次使用強(qiáng)大的 Transformer 模型捕獲用戶行為序列的序列信號(hào)，供電子商務(wù)場(chǎng)景的推薦系統(tǒng)使用。原有DIN 提出使用注意力機(jī)制來(lái)捕獲候選項(xiàng)與用戶先前點(diǎn)擊商品之間的相似性，但未考慮用戶行為序列背后的序列性質(zhì)。離線實(shí)驗(yàn)和在線 A/B 測(cè)試表明，BST 與現(xiàn)有方法相比有明顯優(yōu)勢(shì)。目前 BST 已經(jīng)部署在淘寶推薦的 rank 階段，每天為數(shù)億消費(fèi)者提供推薦服務(wù)[2]。

17. Operation-aware Neural Networks for User Response Prediction

作者：Yi Yang, Baile Xu, Furao Shen, Jian Zhao；

論文：t.cn/AiO2Dp5k；代碼：t.cn/Ev4H3Jm；

深度CTR預(yù)估新積木：PNN + FFM – FM = ONN模型，效果好于DeepFM和PNN。

18. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, Alibaba

作者：Fei Sun, Jun Liu, Jian Wu, Changhua Pei, Xiao Lin, Wenwu Ou, Peng Jiang；

論文：t.cn/AiNqPitA；

Transformer引入推薦系統(tǒng)工業(yè)界，利用用戶歷史點(diǎn)擊序列預(yù)測(cè)下一個(gè)點(diǎn)擊item，效果超過(guò)GRU4Rec。

19. A Capsule Network for Recommendation and Explaining What You Like and Dislike, SIGIR2019, Alibaba

作者：henliang Li, Cong Quan, Li Peng, Yunwei Qi, Yuming Deng, Libing Wu；

論文：t.cn/AiOLWp6x；

阿里 at SIGIR2019，膠囊神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦提出CARP模型來(lái)從評(píng)論中更好地建模用戶對(duì)商品的喜好程度，效果好于最新的ANR等。

20. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Chao Qi, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jcGIZ；代碼：t.cn/Ai0jcGIw；

阿里 at IJCAI2019，提出DeepMCP模型通過(guò)匹配、關(guān)聯(lián)、預(yù)測(cè)三個(gè)子模塊更好地建模用戶-ad，ad之間以及特征-CTR關(guān)系，效果優(yōu)于DeepFM并開(kāi)源了代碼。

拓展知識(shí)：

前沿拓展：

---

文章轉(zhuǎn)載自**

深度傳送門 ， 作者 深度傳送門

導(dǎo)讀：本文是“深度推薦系統(tǒng)”專欄的第七篇文章，這個(gè)系列將介紹在深度學(xué)習(xí)的強(qiáng)力驅(qū)動(dòng)下，給推薦系統(tǒng)工業(yè)界所帶來(lái)的最前沿的變化。本文主要小編綜合來(lái)說(shuō)一下深度推薦系統(tǒng)與CTR預(yù)估2019年值得精讀的論文。 歡迎轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)注明出處以及鏈接，更多關(guān)于深度推薦系統(tǒng)優(yōu)質(zhì)內(nèi)容請(qǐng)關(guān)注如下頻道。知乎專欄：深度推薦系統(tǒng) 微博：深度傳送門 **：深度傳送門

微博上近日流傳一個(gè)段子，“2020年曾是各大科幻片中遙遠(yuǎn)的未來(lái)，但是現(xiàn)在離這個(gè)遙遠(yuǎn)的未來(lái)也只有6個(gè)月時(shí)間了”。只是借此感慨一下2019年轉(zhuǎn)瞬之間半年的時(shí)間已經(jīng)過(guò)去了，目前深度學(xué)習(xí)火熱朝天，深度學(xué)習(xí)在推薦系統(tǒng)和CTR預(yù)估工業(yè)界的論文也是一篇接著一篇良莠不齊。

接下來(lái)主要小編綜合來(lái)說(shuō)一下2019年上半年工業(yè)界深度推薦系統(tǒng)與CTR預(yù)估上值得精讀的論文。個(gè)人整理難免遺漏，也歡迎各位同行朋友評(píng)論另外哪些想額外推薦精讀的論文。

1. Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM 2019, Google

作者：Minmin Chen, Alex Beutel, Paul Covington, Sagar Jain, Francois Belletti, Ed Chi；

論文：t.cn/EUus1wu；Keynote：t.cn/EJFyMBk；

位列首位的當(dāng)屬**推薦強(qiáng)化學(xué)習(xí)的兩篇論文。雖然強(qiáng)化學(xué)習(xí)目前在推薦系統(tǒng)和CTR預(yù)估領(lǐng)域工業(yè)界由于系統(tǒng)復(fù)雜、效果未有顯著提升等眾所周知的原因確實(shí)不夠成熟也尚未大規(guī)模應(yīng)用起來(lái)。但是**推薦的這兩篇論文從某種程度上讓強(qiáng)化學(xué)習(xí)的應(yīng)用方向變得更明確了一些，而且作者在Industry Day上也宣稱線上實(shí)驗(yàn)效果顯示這個(gè)是**單個(gè)項(xiàng)目近兩年來(lái)最大的reward增長(zhǎng)，也從某種程度上會(huì)激發(fā)各大公司的研究者們繼續(xù)跟進(jìn)的興趣。

這是第一篇論文，提出了一種Top-K的Off-Policy修正方案將RL中Policy-Gradient類算法得以應(yīng)用在動(dòng)作空間數(shù)以百萬(wàn)計(jì)的**在線推薦系統(tǒng)中。

2. Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology, IJCAI 2019, Google

作者：Eugene Ie, Vihan Jain, Jing Wang, …, Jim McFadden, Tushar Chandra, Craig Boutilier；

論文：t.cn/AiKFHvYU；

這是**推薦應(yīng)用強(qiáng)化學(xué)習(xí)的第二彈，主要貢獻(xiàn)是提出了一種名為SLATEQ的Q-Learning算法，優(yōu)化推薦系統(tǒng)里面同時(shí)展示給用戶多個(gè)item情況的長(zhǎng)期收益LTV（Long-term Value）,將長(zhǎng)期收益加入排序多目標(biāo)中進(jìn)行建模優(yōu)化。重點(diǎn)在于與baseline使用的深度網(wǎng)絡(luò)和輸入特征都完全一樣。詳見(jiàn)：**推薦已經(jīng)上線RL了，強(qiáng)化學(xué)習(xí)在推薦廣告工業(yè)界大規(guī)模應(yīng)用還遠(yuǎn)嗎？

3. Deep Learning Recommendation Model for Personalization and Recommendation Systems

作者：Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi,…, Bill Jia, Liang Xiong, Misha **elyanskiy；

論文：t.cn/Ai0rIUd0；代碼：t.cn/AiNGzCsY；解讀：t.cn/AiOX38PL；

FaceBook推薦最新論文，通過(guò)建模與系統(tǒng)協(xié)同設(shè)計(jì)提出一種butterfly-shuffle的機(jī)制來(lái)提升模型并行化，離線訓(xùn)練上在沒(méi)有任何超參調(diào)優(yōu)下收斂速度與準(zhǔn)確率優(yōu)于DCN，并開(kāi)源了代碼。

4. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW 2019, Huawei

作者：Bin Liu, Ruiming Tang, Yingzhi Chen, Jinkai Yu, Huifeng Guo, Yuzhou Zhang；

論文：t.cn/AipAFS3p；

華為 at WWW 2019，提出基于卷積神經(jīng)網(wǎng)絡(luò)的CTR特征生成方法FGCNN，包含特征生成和深度分類器兩部分，可以和任意CTR預(yù)估模型進(jìn)行組合。

5. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Li Li, Heng Zou, Xin Xing, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jTY68；代碼：t.cn/Ai0jTY6u；

阿里 at KDD 2019，提出DSTN模型用于點(diǎn)擊率CTR預(yù)估，考慮更多空域與時(shí)域的輔助信息包括上下文展示過(guò)的ad以及歷史點(diǎn)擊/未點(diǎn)擊ad來(lái)更好地預(yù)測(cè)目標(biāo)item的點(diǎn)擊率。從論文實(shí)驗(yàn)數(shù)據(jù)看，效果大幅度超過(guò)DeepFM和GRU，并開(kāi)源了代碼。

6. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks

作者：Weiping Song, Chence Shi, Zhiping Xiao, Zhijian Duan, Yewen Xu, Ming Zhang, Jian Tang；

論文：t.cn/AipG8aXz；代碼：t.cn/EI8Pnso；

最新的深度CTR預(yù)估模型AutoInt，通過(guò)過(guò)Multi-head注意力機(jī)制將特征投射到多個(gè)子空間中，并在不同的子空間中捕獲不同的特征組合形式，效果超過(guò)xDeepFM等達(dá)到最好。

7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent

作者：Yudan Liu, Kaikai Ge, Xu Zhang, Leyu Lin

論文：t.cn/AiOaAg1Q；解讀：t.cn/AiOaAg1E；

騰訊 at KDD2019，微信看一看團(tuán)隊(duì)對(duì)傳統(tǒng)Look-alike進(jìn)行了改造，提出實(shí)時(shí)Look-alike算法RALM，解決推薦系統(tǒng)多樣性問(wèn)題，效果好于**DNN。

8. Joint Optimization of Tree-based Index and Deep Model for Recommender Systems

作者：Han Zhu, Daqing Chang, Ziru Xu, Pengye Zhang, Xiang Li, Jie He, Han Li, Jian Xu, Kun Gai；

論文：t.cn/AiN5T8Ks；TDM論文：t.cn/RQ5MrSg；

還記得阿里 at KDD 2018的深度樹(shù)匹配召回模型TDM嗎？升級(jí)版JTM提出索引與模型同時(shí)優(yōu)化的方案，大幅提升召回效果。

9. A User-Centered Concept Mining System for Query and Document Understanding at Tencent, KDD 2019, Tencent

作者：Bang Liu, Weidong Guo, Di Niu, Chaoyue Wang, Shunnan Xu, Jinghong Lin, Kunfeng Lai, Yu Xu

論文：t.cn/Ai09Dxkd；解讀：t.cn/Ai09DxkB；數(shù)據(jù)資源：t.cn/Ai09Dxkr；

騰訊 at KDD2019，構(gòu)建了ConcepT概念挖掘標(biāo)記系統(tǒng)，利用query搜索點(diǎn)擊日志從用戶視角提取不同的概念，以提高對(duì)短文本（query）和長(zhǎng)文章（document）的理解，從而推動(dòng)推薦，搜索等業(yè)務(wù)的提升。實(shí)驗(yàn)證明，ConcepT在 QQ 瀏覽器信息流業(yè)務(wù)中性能優(yōu)異，曝光效率相對(duì)提升6.01%。

10. Deep Session Interest Network for Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Yufei Feng, Fuyu Lv, Weichen Shen, Menghan Wang, Fei Sun, Yu Zhu, Keping Yang；

論文：t.cn/AiN9QZnV；代碼：t.cn/AiN9QZnV；

阿里 at IJCAI2019，考慮到不同用戶行為序列的session內(nèi)行為同構(gòu)與session之間行為異構(gòu)的特性提出了基于sesssion的CTR預(yù)估模型DSIN。使用self-attention機(jī)制抽取session內(nèi)用戶興趣，使用Bi-LSTM針對(duì)用戶跨session興趣進(jìn)行建模。

11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent

作者：Fuxing Hong, Dongbo Huang, Ge Chen；

論文：t.cn/Ai0WHak5；代碼：t.cn/Ai0WHakt；

騰訊 at AAAI2019，提出IFM通過(guò)特征以及特征組不同角度靈活學(xué)習(xí)特征間交互的重要性，并提出了通用的Interation-NN框架和DeepIFM來(lái)捕捉高階交互，效果優(yōu)于DeepFM并開(kāi)源了代碼。

12. Multi-Interest Network with Dynamic Routing for Recommendation at Tmall

作者：Chao Li, Zhiyuan Liu, Mengmeng Wu, …, Qiwei Chen, Wei Li, Dik Lun Lee

論文：t.cn/AiOao6I4；解讀：t.cn/AiOao6I4；

阿里天貓?zhí)岢鯩IND模型通過(guò)Dynamic Routing的方法從用戶行為和用戶屬性信息中動(dòng)態(tài)學(xué)習(xí)出多個(gè)表示用戶興趣的向量，更好的捕捉用戶的多樣興趣，來(lái)提升召回的豐富度和準(zhǔn)確度，效果好于**DNN。

13. Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Qi Pi, Weijie Bian, Guorui Zhou, Xiaoqiang Zhu, Kun Gai；

論文：t.cn/AiN4s4oe；

阿里 at KDD2019，通過(guò)系統(tǒng)設(shè)計(jì)解決用戶超長(zhǎng)行為歷史下CTR建模與在線預(yù)測(cè)性能瓶頸，效果好于GRU4Rec和DIEN。

14. Neural News Recommendation with Long- and Short-term User Representations, ACL 2019, Microsoft

作者：Mingxiao An，F(xiàn)angzhao Wu，Chuhan Wu，Kun Zhang，Zheng Liu，Xing Xie；

論文：t.cn/Ai029G81；

微軟 at ACL 2019，LSTUR用于在**推薦任務(wù)中同時(shí)學(xué)習(xí)用戶長(zhǎng)期和短期的興趣表示。模型的整體結(jié)構(gòu)可分為**編碼器、用戶長(zhǎng)期興趣和短期興趣模型、以及候選**的個(gè)性化分?jǐn)?shù)預(yù)測(cè)模型，效果好于GRU4Rec。

15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019

作者：Chen Ma, Peng Kang, Xue Liu；

論文：t.cn/AipuFYkG；代碼：t.cn/AipuFYkb；

KDD2019，HGN提出通過(guò)feature與instance gating的多層級(jí)結(jié)構(gòu)結(jié)合BPR來(lái)更好的捕獲用戶的長(zhǎng)短期興趣，效果好于GRU4Rec以及NextItRec。

16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba

作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang, Wenwu Ou

論文：t.cn/Ai9JgWoJ；解讀：t.cn/AiKBda4q

阿里巴巴搜索推薦事業(yè)部的新研究，首次使用強(qiáng)大的 Transformer 模型捕獲用戶行為序列的序列信號(hào)，供電子商務(wù)場(chǎng)景的推薦系統(tǒng)使用。原有DIN 提出使用注意力機(jī)制來(lái)捕獲候選項(xiàng)與用戶先前點(diǎn)擊商品之間的相似性，但未考慮用戶行為序列背后的序列性質(zhì)。離線實(shí)驗(yàn)和在線 A/B 測(cè)試表明，BST 與現(xiàn)有方法相比有明顯優(yōu)勢(shì)。目前 BST 已經(jīng)部署在淘寶推薦的 rank 階段，每天為數(shù)億消費(fèi)者提供推薦服務(wù)[2]。

17. Operation-aware Neural Networks for User Response Prediction

作者：Yi Yang, Baile Xu, Furao Shen, Jian Zhao；

論文：t.cn/AiO2Dp5k；代碼：t.cn/Ev4H3Jm；

深度CTR預(yù)估新積木：PNN + FFM – FM = ONN模型，效果好于DeepFM和PNN。

18. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, Alibaba

作者：Fei Sun, Jun Liu, Jian Wu, Changhua Pei, Xiao Lin, Wenwu Ou, Peng Jiang；

論文：t.cn/AiNqPitA；

Transformer引入推薦系統(tǒng)工業(yè)界，利用用戶歷史點(diǎn)擊序列預(yù)測(cè)下一個(gè)點(diǎn)擊item，效果超過(guò)GRU4Rec。

19. A Capsule Network for Recommendation and Explaining What You Like and Dislike, SIGIR2019, Alibaba

作者：henliang Li, Cong Quan, Li Peng, Yunwei Qi, Yuming Deng, Libing Wu；

論文：t.cn/AiOLWp6x；

阿里 at SIGIR2019，膠囊神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦提出CARP模型來(lái)從評(píng)論中更好地建模用戶對(duì)商品的喜好程度，效果好于最新的ANR等。

20. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Chao Qi, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jcGIZ；代碼：t.cn/Ai0jcGIw；

阿里 at IJCAI2019，提出DeepMCP模型通過(guò)匹配、關(guān)聯(lián)、預(yù)測(cè)三個(gè)子模塊更好地建模用戶-ad，ad之間以及特征-CTR關(guān)系，效果優(yōu)于DeepFM并開(kāi)源了代碼。

拓展知識(shí)：

前沿拓展：

---

文章轉(zhuǎn)載自**

深度傳送門 ， 作者 深度傳送門

導(dǎo)讀：本文是“深度推薦系統(tǒng)”專欄的第七篇文章，這個(gè)系列將介紹在深度學(xué)習(xí)的強(qiáng)力驅(qū)動(dòng)下，給推薦系統(tǒng)工業(yè)界所帶來(lái)的最前沿的變化。本文主要小編綜合來(lái)說(shuō)一下深度推薦系統(tǒng)與CTR預(yù)估2019年值得精讀的論文。 歡迎轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)注明出處以及鏈接，更多關(guān)于深度推薦系統(tǒng)優(yōu)質(zhì)內(nèi)容請(qǐng)關(guān)注如下頻道。知乎專欄：深度推薦系統(tǒng) 微博：深度傳送門 **：深度傳送門

微博上近日流傳一個(gè)段子，“2020年曾是各大科幻片中遙遠(yuǎn)的未來(lái)，但是現(xiàn)在離這個(gè)遙遠(yuǎn)的未來(lái)也只有6個(gè)月時(shí)間了”。只是借此感慨一下2019年轉(zhuǎn)瞬之間半年的時(shí)間已經(jīng)過(guò)去了，目前深度學(xué)習(xí)火熱朝天，深度學(xué)習(xí)在推薦系統(tǒng)和CTR預(yù)估工業(yè)界的論文也是一篇接著一篇良莠不齊。

接下來(lái)主要小編綜合來(lái)說(shuō)一下2019年上半年工業(yè)界深度推薦系統(tǒng)與CTR預(yù)估上值得精讀的論文。個(gè)人整理難免遺漏，也歡迎各位同行朋友評(píng)論另外哪些想額外推薦精讀的論文。

1. Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM 2019, Google

作者：Minmin Chen, Alex Beutel, Paul Covington, Sagar Jain, Francois Belletti, Ed Chi；

論文：t.cn/EUus1wu；Keynote：t.cn/EJFyMBk；

位列首位的當(dāng)屬**推薦強(qiáng)化學(xué)習(xí)的兩篇論文。雖然強(qiáng)化學(xué)習(xí)目前在推薦系統(tǒng)和CTR預(yù)估領(lǐng)域工業(yè)界由于系統(tǒng)復(fù)雜、效果未有顯著提升等眾所周知的原因確實(shí)不夠成熟也尚未大規(guī)模應(yīng)用起來(lái)。但是**推薦的這兩篇論文從某種程度上讓強(qiáng)化學(xué)習(xí)的應(yīng)用方向變得更明確了一些，而且作者在Industry Day上也宣稱線上實(shí)驗(yàn)效果顯示這個(gè)是**單個(gè)項(xiàng)目近兩年來(lái)最大的reward增長(zhǎng)，也從某種程度上會(huì)激發(fā)各大公司的研究者們繼續(xù)跟進(jìn)的興趣。

這是第一篇論文，提出了一種Top-K的Off-Policy修正方案將RL中Policy-Gradient類算法得以應(yīng)用在動(dòng)作空間數(shù)以百萬(wàn)計(jì)的**在線推薦系統(tǒng)中。

2. Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology, IJCAI 2019, Google

作者：Eugene Ie, Vihan Jain, Jing Wang, …, Jim McFadden, Tushar Chandra, Craig Boutilier；

論文：t.cn/AiKFHvYU；

這是**推薦應(yīng)用強(qiáng)化學(xué)習(xí)的第二彈，主要貢獻(xiàn)是提出了一種名為SLATEQ的Q-Learning算法，優(yōu)化推薦系統(tǒng)里面同時(shí)展示給用戶多個(gè)item情況的長(zhǎng)期收益LTV（Long-term Value）,將長(zhǎng)期收益加入排序多目標(biāo)中進(jìn)行建模優(yōu)化。重點(diǎn)在于與baseline使用的深度網(wǎng)絡(luò)和輸入特征都完全一樣。詳見(jiàn)：**推薦已經(jīng)上線RL了，強(qiáng)化學(xué)習(xí)在推薦廣告工業(yè)界大規(guī)模應(yīng)用還遠(yuǎn)嗎？

3. Deep Learning Recommendation Model for Personalization and Recommendation Systems

作者：Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi,…, Bill Jia, Liang Xiong, Misha **elyanskiy；

論文：t.cn/Ai0rIUd0；代碼：t.cn/AiNGzCsY；解讀：t.cn/AiOX38PL；

FaceBook推薦最新論文，通過(guò)建模與系統(tǒng)協(xié)同設(shè)計(jì)提出一種butterfly-shuffle的機(jī)制來(lái)提升模型并行化，離線訓(xùn)練上在沒(méi)有任何超參調(diào)優(yōu)下收斂速度與準(zhǔn)確率優(yōu)于DCN，并開(kāi)源了代碼。

4. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW 2019, Huawei

作者：Bin Liu, Ruiming Tang, Yingzhi Chen, Jinkai Yu, Huifeng Guo, Yuzhou Zhang；

論文：t.cn/AipAFS3p；

華為 at WWW 2019，提出基于卷積神經(jīng)網(wǎng)絡(luò)的CTR特征生成方法FGCNN，包含特征生成和深度分類器兩部分，可以和任意CTR預(yù)估模型進(jìn)行組合。

5. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Li Li, Heng Zou, Xin Xing, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jTY68；代碼：t.cn/Ai0jTY6u；

阿里 at KDD 2019，提出DSTN模型用于點(diǎn)擊率CTR預(yù)估，考慮更多空域與時(shí)域的輔助信息包括上下文展示過(guò)的ad以及歷史點(diǎn)擊/未點(diǎn)擊ad來(lái)更好地預(yù)測(cè)目標(biāo)item的點(diǎn)擊率。從論文實(shí)驗(yàn)數(shù)據(jù)看，效果大幅度超過(guò)DeepFM和GRU，并開(kāi)源了代碼。

6. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks

作者：Weiping Song, Chence Shi, Zhiping Xiao, Zhijian Duan, Yewen Xu, Ming Zhang, Jian Tang；

論文：t.cn/AipG8aXz；代碼：t.cn/EI8Pnso；

最新的深度CTR預(yù)估模型AutoInt，通過(guò)過(guò)Multi-head注意力機(jī)制將特征投射到多個(gè)子空間中，并在不同的子空間中捕獲不同的特征組合形式，效果超過(guò)xDeepFM等達(dá)到最好。

7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent

作者：Yudan Liu, Kaikai Ge, Xu Zhang, Leyu Lin

論文：t.cn/AiOaAg1Q；解讀：t.cn/AiOaAg1E；

騰訊 at KDD2019，微信看一看團(tuán)隊(duì)對(duì)傳統(tǒng)Look-alike進(jìn)行了改造，提出實(shí)時(shí)Look-alike算法RALM，解決推薦系統(tǒng)多樣性問(wèn)題，效果好于**DNN。

8. Joint Optimization of Tree-based Index and Deep Model for Recommender Systems

作者：Han Zhu, Daqing Chang, Ziru Xu, Pengye Zhang, Xiang Li, Jie He, Han Li, Jian Xu, Kun Gai；

論文：t.cn/AiN5T8Ks；TDM論文：t.cn/RQ5MrSg；

還記得阿里 at KDD 2018的深度樹(shù)匹配召回模型TDM嗎？升級(jí)版JTM提出索引與模型同時(shí)優(yōu)化的方案，大幅提升召回效果。

9. A User-Centered Concept Mining System for Query and Document Understanding at Tencent, KDD 2019, Tencent

作者：Bang Liu, Weidong Guo, Di Niu, Chaoyue Wang, Shunnan Xu, Jinghong Lin, Kunfeng Lai, Yu Xu

論文：t.cn/Ai09Dxkd；解讀：t.cn/Ai09DxkB；數(shù)據(jù)資源：t.cn/Ai09Dxkr；

騰訊 at KDD2019，構(gòu)建了ConcepT概念挖掘標(biāo)記系統(tǒng)，利用query搜索點(diǎn)擊日志從用戶視角提取不同的概念，以提高對(duì)短文本（query）和長(zhǎng)文章（document）的理解，從而推動(dòng)推薦，搜索等業(yè)務(wù)的提升。實(shí)驗(yàn)證明，ConcepT在 QQ 瀏覽器信息流業(yè)務(wù)中性能優(yōu)異，曝光效率相對(duì)提升6.01%。

10. Deep Session Interest Network for Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Yufei Feng, Fuyu Lv, Weichen Shen, Menghan Wang, Fei Sun, Yu Zhu, Keping Yang；

論文：t.cn/AiN9QZnV；代碼：t.cn/AiN9QZnV；

阿里 at IJCAI2019，考慮到不同用戶行為序列的session內(nèi)行為同構(gòu)與session之間行為異構(gòu)的特性提出了基于sesssion的CTR預(yù)估模型DSIN。使用self-attention機(jī)制抽取session內(nèi)用戶興趣，使用Bi-LSTM針對(duì)用戶跨session興趣進(jìn)行建模。

11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent

作者：Fuxing Hong, Dongbo Huang, Ge Chen；

論文：t.cn/Ai0WHak5；代碼：t.cn/Ai0WHakt；

騰訊 at AAAI2019，提出IFM通過(guò)特征以及特征組不同角度靈活學(xué)習(xí)特征間交互的重要性，并提出了通用的Interation-NN框架和DeepIFM來(lái)捕捉高階交互，效果優(yōu)于DeepFM并開(kāi)源了代碼。

12. Multi-Interest Network with Dynamic Routing for Recommendation at Tmall

作者：Chao Li, Zhiyuan Liu, Mengmeng Wu, …, Qiwei Chen, Wei Li, Dik Lun Lee

論文：t.cn/AiOao6I4；解讀：t.cn/AiOao6I4；

阿里天貓?zhí)岢鯩IND模型通過(guò)Dynamic Routing的方法從用戶行為和用戶屬性信息中動(dòng)態(tài)學(xué)習(xí)出多個(gè)表示用戶興趣的向量，更好的捕捉用戶的多樣興趣，來(lái)提升召回的豐富度和準(zhǔn)確度，效果好于**DNN。

13. Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019, Alibaba

作者：Qi Pi, Weijie Bian, Guorui Zhou, Xiaoqiang Zhu, Kun Gai；

論文：t.cn/AiN4s4oe；

阿里 at KDD2019，通過(guò)系統(tǒng)設(shè)計(jì)解決用戶超長(zhǎng)行為歷史下CTR建模與在線預(yù)測(cè)性能瓶頸，效果好于GRU4Rec和DIEN。

14. Neural News Recommendation with Long- and Short-term User Representations, ACL 2019, Microsoft

作者：Mingxiao An，F(xiàn)angzhao Wu，Chuhan Wu，Kun Zhang，Zheng Liu，Xing Xie；

論文：t.cn/Ai029G81；

微軟 at ACL 2019，LSTUR用于在**推薦任務(wù)中同時(shí)學(xué)習(xí)用戶長(zhǎng)期和短期的興趣表示。模型的整體結(jié)構(gòu)可分為**編碼器、用戶長(zhǎng)期興趣和短期興趣模型、以及候選**的個(gè)性化分?jǐn)?shù)預(yù)測(cè)模型，效果好于GRU4Rec。

15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019

作者：Chen Ma, Peng Kang, Xue Liu；

論文：t.cn/AipuFYkG；代碼：t.cn/AipuFYkb；

KDD2019，HGN提出通過(guò)feature與instance gating的多層級(jí)結(jié)構(gòu)結(jié)合BPR來(lái)更好的捕獲用戶的長(zhǎng)短期興趣，效果好于GRU4Rec以及NextItRec。

16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba

作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang, Wenwu Ou

論文：t.cn/Ai9JgWoJ；解讀：t.cn/AiKBda4q

阿里巴巴搜索推薦事業(yè)部的新研究，首次使用強(qiáng)大的 Transformer 模型捕獲用戶行為序列的序列信號(hào)，供電子商務(wù)場(chǎng)景的推薦系統(tǒng)使用。原有DIN 提出使用注意力機(jī)制來(lái)捕獲候選項(xiàng)與用戶先前點(diǎn)擊商品之間的相似性，但未考慮用戶行為序列背后的序列性質(zhì)。離線實(shí)驗(yàn)和在線 A/B 測(cè)試表明，BST 與現(xiàn)有方法相比有明顯優(yōu)勢(shì)。目前 BST 已經(jīng)部署在淘寶推薦的 rank 階段，每天為數(shù)億消費(fèi)者提供推薦服務(wù)[2]。

17. Operation-aware Neural Networks for User Response Prediction

作者：Yi Yang, Baile Xu, Furao Shen, Jian Zhao；

論文：t.cn/AiO2Dp5k；代碼：t.cn/Ev4H3Jm；

深度CTR預(yù)估新積木：PNN + FFM – FM = ONN模型，效果好于DeepFM和PNN。

18. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, Alibaba

作者：Fei Sun, Jun Liu, Jian Wu, Changhua Pei, Xiao Lin, Wenwu Ou, Peng Jiang；

論文：t.cn/AiNqPitA；

Transformer引入推薦系統(tǒng)工業(yè)界，利用用戶歷史點(diǎn)擊序列預(yù)測(cè)下一個(gè)點(diǎn)擊item，效果超過(guò)GRU4Rec。

19. A Capsule Network for Recommendation and Explaining What You Like and Dislike, SIGIR2019, Alibaba

作者：henliang Li, Cong Quan, Li Peng, Yunwei Qi, Yuming Deng, Libing Wu；

論文：t.cn/AiOLWp6x；

阿里 at SIGIR2019，膠囊神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦提出CARP模型來(lái)從評(píng)論中更好地建模用戶對(duì)商品的喜好程度，效果好于最新的ANR等。

20. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI 2019, Alibaba

作者：Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Chao Qi, Zhaojie Liu, Yanlong Du；

論文：t.cn/Ai0jcGIZ；代碼：t.cn/Ai0jcGIw；

阿里 at IJCAI2019，提出DeepMCP模型通過(guò)匹配、關(guān)聯(lián)、預(yù)測(cè)三個(gè)子模塊更好地建模用戶-ad，ad之間以及特征-CTR關(guān)系，效果優(yōu)于DeepFM并開(kāi)源了代碼。

拓展知識(shí)：