A Survey on Knowledge Graph-Based Recommender Systems鏈接：https://arxiv.org/pdf/2003.00911簡介：該文是一篇利用知識圖來構建推薦系統應用的綜述文章。知識圖作為輔助信息來生成推薦引起了人們的極大興趣。這樣的方法不僅可以減輕數據稀疏問題以獲得更准確的推薦，而且可以為推薦項目提供解釋。
Learning to Hash with Graph Neural Networks for Recommender Systems鏈接：https://arxiv.org/pdf/2003.01917簡介：該文研究了利用圖神經網絡（GNN）進行高質量檢索的哈希問題，並提出了一個簡單而有效的離散表示學習框架來共同學習連續代碼和離散代碼。
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation鏈接：https://arxiv.org/pdf/2002.02126簡介：該文同樣是一篇利用圖神經網絡來進行推薦的文章，在這項工作中，旨在簡化GCN的設計，使其更簡潔，更適合於推薦任務。
Generalized Embedding Machines for Recommender Systems鏈接：https://arxiv.org/pdf/2002.06561簡介：該文是一篇改進因子分解機用於推薦的文章。在這項工作中，提出了一種在嵌入層面上對高階交互信號進行建模的替代方法，即通用嵌入機（GEM）。
Jointly Learning to Recommend and Advertise鏈接：https://arxiv.org/pdf/2003.00097簡介：該文提出了一個新穎的兩級強化學習框架，以共同優化推薦和廣告策略，從而避免推薦任務和廣告業務分別進行優化而帶來的性能損失。
HAM: Hybrid Associations Model with Pooling for Sequential Recommendation鏈接：https://arxiv.org/pdf/2002.11890簡介：該文設計了一種混合關聯模型（HAM），它使用兩個因素來生成序列推薦：用戶的長期偏好和用戶最近購買/評分中的高階和低階關聯模式的序列。另外，HAM使用簡單池化來表示關聯中的一組項目。
Fast Adaptively Weighted Matrix Factorization for Recommendation with Implicit Feedback鏈接：https://arxiv.org/pdf/2003.01892簡介：該文主要針對隱式反饋數據提出了一種自適應權重分配的矩陣分解模型，該方法可以加快模型的學習以及權重的自適應分配。
Using Image Captions and Multitask Learning for Recommending Query Reformulations鏈接：https://arxiv.org/pdf/2003.00708簡介：交互式搜索會話通常包含多個查詢，其中用戶得到響應的原始結果后，提交一個查詢的重新格式的版本。 該文旨在為商業圖像搜索引擎增強查詢推薦體驗。
Contextual-Bandit Based Personalized Recommendation with Time-Varying User Interests鏈接：https://arxiv.org/pdf/2003.00359簡介：Contextual-Bandit問題是在高度不穩定的環境中提出來的，由於用戶隨時間變化的興趣，這種情況在各種推薦系統中普遍存在。該文提出了一種適用於突然獎勵變化的有效學習算法，並進行了理論分析。
Recommendation on a Budget: Column Space Recovery from Partially Observed Entries with Random or Active Sampling鏈接：https://arxiv.org/pdf/2002.11589簡介：該文分析了部分觀察到的，近似低秩矩陣的列空間恢復的交替最小化問題。在這項工作中，證明了如果預算大於矩陣的秩，則列空間恢復成功。隨着列數的增加，交替最小化的估計會收斂到真實列空間，而概率趨向於一。
AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations鏈接：https://arxiv.org/pdf/2002.11252簡介：基於深度學習的推薦系統（DLRS）通常具有嵌入層，可用於降低分類變量（例如用戶/項目id）的維數並在低維空間中有意義地對其進行轉換。現有的大多數DLRS在經驗上都會為所有用戶/項目嵌入預先定義一個固定且統一的維度。從最近的研究中可以明顯看出，對於不同的用戶/項目，根據其受歡迎程度，迫切需要不同的嵌入維度。因此，在本文中提出了一種基於AutoML的端到端框架（AutoEmb），該框架可以根據流行程度以自動化和動態的方式生成各種嵌入尺寸。
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback鏈接：https://arxiv.org/pdf/2002.09841簡介：該文是針對隱式反饋推薦展開的研究，對於Pairwise的方法，在實踐中並不總是保持獨立成對偏好的假設。而且，由於整個列表排列的前提，基於Listwise的方法不能有效地容納“聯系”。該文我們提出了一種用於協作排名的新穎的Setwise貝葉斯方法，即SetRank，以適應推薦系統中隱式反饋的特征。
Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network鏈接：https://arxiv.org/pdf/2002.08575簡介：草葯推薦在中葯（TCM）的治療過程中起着至關重要的作用，本文將多圖卷積網絡應用於草葯推薦問題上，取得了很好的推薦效果。
Relation Embedding for Personalised Translation-based POI Recommendation
鏈接：https://arxiv.org/pdf/2002.03461
簡介：興趣點（POI）推薦是最重要的基於位置的服務之一，可幫助人們發現有趣的場所或服務。但是，極具稀疏的用戶-POI矩陣和多變的時空上下文對POI推薦提出了挑戰， 為此，本文提出了一種基於翻譯嵌入關系的POI推薦。
Secure Social Recommendation based on Secret Sharing鏈接：https://arxiv.org/pdf/2002.02088簡介：隱私保護機器學習已經在業界和學術界引起了廣泛關注。現有的大多數推薦模型都是基於社會信息可用的假設而建立的。但是，由於某些原因，不同的平台通常不願意（或不能）共享其數據。在本文中，提出了一個社會化（SeSoRec）框架。
CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles鏈接：https://arxiv.org/pdf/2002.12277簡介：通過分析混合模型中存在的問題，該文提出了一種用於推薦科學文章的協作式雙注意力自動編碼器（CATA ++）。 CATA ++利用文章的內容並通過兩個並行的自動編碼器學習其潛在空間。
轉自公眾號：機器學習與推薦算法 ，作者張小磊