RSPapers: 推荐系统领域必读论文精选

RayRay
推荐系统深度学习协同过滤知识图谱隐私保护Github开源项目

RSPapers

RSPapers: 推荐系统领域必读论文精选

推荐系统作为人工智能和机器学习领域的重要分支,近年来发展迅速,在学术界和工业界都受到了广泛关注。为了帮助研究者和实践者更好地了解这一领域的发展脉络和最新进展,GitHub上的RSPapers项目精心整理了一份推荐系统领域的必读论文列表。本文将对RSPapers项目进行详细介绍,为读者提供一个全面的推荐系统研究指南。

项目概览

RSPapers项目由hongleizhang创建和维护,旨在为推荐系统研究提供一个全面而权威的参考资料库。该项目在GitHub上已获得了超过10颗星的关注,2次分支,显示出其在学术界和工业界的影响力。

RSPapers GitHub统计

项目的主要内容包括:

  1. 推荐系统相关的系统性教程
  2. 全面的综述论文
  3. 通用推荐系统
  4. 社交推荐系统
  5. 基于深度学习的推荐系统
  6. 推荐系统中的冷启动问题
  7. 基于位置的社交网络推荐系统
  8. 高效推荐系统
  9. 推荐系统中的探索与利用问题
  10. 可解释推荐系统
  11. 推荐系统中的点击率预测
  12. 知识图谱在推荐系统中的应用
  13. 基于评论的推荐系统
  14. 对话式推荐系统
  15. 工业界/实践中的推荐系统
  16. 隐私保护推荐系统
  17. 大语言模型在推荐系统中的应用

这些分类涵盖了推荐系统研究的方方面面,从基础理论到前沿应用,为研究者提供了一个全面的学习路径。

教程与综述

RSPapers项目首先列出了一系列推荐系统领域的重要教程和综述文章。这些资料对于初学者快速入门和资深研究者了解领域全貌都有重要价值。

教程

项目收录了从2011年到2022年在各大顶级会议上发表的推荐系统相关教程,涵盖了如下主题:

  • 网络应用中的推荐问题 (ICML 2011)
  • 推荐系统中的用户体验解释 (RecSys 2012)
  • 社交网络中的推荐 (RecSys 2013)
  • 跨域推荐系统 (RecSys 2014)
  • 交互式推荐系统 (RecSys 2015)
  • 流数据的实时推荐 (RecSys 2015)
  • 群组推荐系统 (RecSys 2016)
  • 推荐系统中的深度学习 (RecSys 2017)
  • 推荐系统中的隐私保护 (RecSys 2017)
  • 搜索和推荐中的匹配深度学习 (SIGIR 2018)
  • 序列感知推荐器 (RecSys 2018)
  • 推荐中的图学习与推理 (CIKM 2019)
  • 多任务推荐的深度学习:从概念到代码 (RecSys 2019)
  • 推荐和检索中的公平性与歧视 (RecSys 2019)
  • 搜索和推荐中的深度迁移学习 (WWW 2020)
  • 推荐系统中的对抗机器学习 (WSDM 2020)
  • 推荐中的图神经网络 (IJCAI 2021)
  • 对话式推荐:公式化、方法和评估 (RecSys 2021)
  • 推荐系统中的自监督学习 (WWW 2022)
  • 推荐系统的自动机器学习:基础和进展 (WWW 2022)

这些教程涵盖了推荐系统研究中的各个重要方向,反映了该领域的发展趋势。从早期关注的社交推荐、跨域推荐,到近年来兴起的深度学习、图神经网络、自监督学习等前沿技术,都有详细的介绍。

综述

除了教程,RSPapers还收录了大量高质量的综述论文,这些论文对推荐系统的各个子领域进行了全面而深入的总结。部分重要综述包括:

  • 混合推荐系统综述与实验 (USER MODEL USER-ADAP, 2002)
  • 协同过滤技术综述 (Advances in artificial intelligence, 2009)
  • 社交推荐综述 (SNAM, 2013)
  • 基于用户评论的推荐系统综述 (USER MODEL USER-ADAP, 2015)
  • 基于深度学习的推荐系统综述与新视角 (ACM Comput.Surv, 2018)
  • 可解释推荐综述与新视角 (arXiv, 2018)
  • 基于会话的推荐系统综述 (arXiv, 2019)
  • 序列推荐系统:挑战、进展与前景 (IJCAI, 2019)
  • 对话式推荐系统综述 (arXiv, 2020)
  • 基于知识图谱的推荐系统综述 (arXiv, 2020)
  • 推荐系统中的图神经网络综述 (arXiv, 2020)
  • 推荐系统中的偏见与去偏见:综述与未来方向 (arXiv, 2020)
  • 推荐系统中深度强化学习综述:系统性回顾与未来方向 (arxiv, 2021)
  • 推荐系统中的自监督学习综述 (arXiv, 2022)
  • 推荐系统公平性综述 (TOIS, 2022)
  • 推荐系统中的大语言模型综述 (arXiv, 2023)

这些综述论文不仅总结了各个子领域的研究现状,还指出了未来的研究方向,对推荐系统研究者具有重要的指导意义。

经典算法与模型

RSPapers项目收录了大量经典的推荐算法和模型,这些工作奠定了推荐系统研究的基础。

协同过滤

协同过滤是推荐系统最基本也是最重要的方法之一。项目收录了多篇开创性的协同过滤论文,包括:

  • Goldberg et al. Using collaborative filtering to weave an information tapestry. COMMUN ACM, 1992.
  • Resnick et al. GroupLens: an open architecture for collaborative filtering of netnews. CSCW, 1994.
  • Sarwar et al. Item-based collaborative filtering recommendation algorithms. WWW, 2001.

这些早期工作奠定了协同过滤的基本框架,为后续研究打下了基础。

矩阵分解

矩阵分解是协同过滤的一种重要实现方式,RSPapers收录了多篇经典的矩阵分解论文:

  • Mnih et al. Probabilistic matrix factorization. NIPS, 2008.
  • Koren et al. Factorization meets the neighborhood: a multifaceted collaborative filtering model. SIGKDD, 2008.
  • Koren et al. Matrix factorization techniques for recommender systems. Computer, 2009.

这些工作大大提高了协同过滤的性能,推动了推荐系统的实际应用。

深度学习模型

近年来,深度学习在推荐系统中的应用取得了巨大成功。RSPapers收录了多篇开创性的深度学习推荐模型:

  • Salakhutdinov et al. Restricted Boltzmann machines for collaborative filtering. ICML, 2007.
  • Wang et al. Collaborative deep learning for recommender systems. KDD, 2015.
  • He et al. Neural collaborative filtering. WWW, 2017.
  • Liang et al. Variational Autoencoders for Collaborative Filtering. WWW, 2018.

这些工作将深度学习的强大表示能力引入推荐系统,极大地提升了推荐性能。

前沿研究方向

除了经典算法,RSPapers项目还密切关注推荐系统领域的最新研究进展,收录了大量前沿工作。

社交推荐

社交关系是推荐系统的重要信息来源,RSPapers收录了多篇社交推荐的代表性工作:

  • Ma, Hao, et al. Sorec: social recommendation using probabilistic matrix factorization. CIKM, 2008.
  • Jamali et al. A matrix factorization technique with trust propagation for recommendation in social networks. RecSys, 2010.
  • Yang et al. Social collaborative filtering by trust. IJCAI, 2013.
  • Wang et al. Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation. AAAI, 2018.
  • Wu et al. A Neural Influence Diffusion Model for Social Recommendation. SIGIR, 2019.

这些工作探索了如何有效利用社交网络信息来改进推荐性能。

序列推荐

序列推荐旨在捕捉用户行为的动态变化,是近年来的一个热点研究方向。RSPapers收录了多篇重要的序列推荐论文:

  • Hidasi et al. Session-based recommendations with recurrent neural networks. ICLR, 2016.
  • Tang et al. Personalized top-n sequential recommendation via convolutional sequence embedding. WSDM, 2018.
  • Sun et al. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer. CIKM, 2019.

这些工作将深度学习中的序列模型应用于推荐系统,有效地建模了用户兴趣的动态变化。

知识图谱推荐

知识图谱为推荐系统提供了丰富的语义信息,是近年来的一个重要研究方向。RSPapers收录了多篇知识图谱推荐的代表性工作:

  • Wang et al. DKN: Deep Knowledge-Aware Network for News Recommendation. WWW, 2018.
  • Wang et al. Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation. WWW, 2019.
  • Wang et al. KGAT: Knowledge Graph Attention Network for Recommendation. KDD, 2019.

这些工作探索了如何有效利用知识图谱来改进推荐性能,提高推荐的可解释性。

对话式推荐

对话式推荐是推荐系统与自然语言处理的交叉领域,近年来受到了广泛关注。RSPapers收录了多篇对话式推荐的重要论文:

  • Li et al. Towards Deep Conversational Recommendations. NeurIPS, 2018.
  • Chen et al. Towards Knowledge-Based Recommender Dialog System. EMNLP-IJCNLP, 2019.
  • Zhou et al. Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion. KDD, 2020.

这些工作探索了如何通过自然语言对话来提供个性化推荐,为推荐系统开辟了新的交互方式。

工业应用

RSPapers项目不仅关注学术研究,还收录了多篇来自工业界的实践经验分享,这些工作反映了推荐系统在实际应用中面临的挑战和解决方案。

部分代表性工作包括:

  • Covington et al. Deep neural networks for youtube recommendations. RecSys, 2016.
  • Cheng et al. Wide & deep learning for recommender systems. Workshop on RecSys, 2016.
  • Zhou et al. Deep Interest Network for Click-Through Rate Prediction. KDD, 2018.
  • Zhao et al. Learning and Transferring IDs Representation in E-commerce. KDD, 2018.
  • Grbovic et al. Real-time Personalization using Embeddings for Search Ranking at Airbnb. KDD, 2018.
  • Wang et al. Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba. KDD, 2018.

这些工作分享了YouTube、Google、阿里巴巴、Airbnb等公司在推荐系统实践中的经验,对于推荐系统的工业应用具有重要的参考价值。

未来展望

随着人工智能技术的快速发展,推荐系统领域也在不断演进。RSPapers项目收录的最新论文反映了该领域的一些重要趋势:

  1. 大语言模型的应用: 随着ChatGPT等大语言模型的兴起,如何将其应用于推荐系统成为了一个热点研究方向。

  2. 自监督学习: 如何利用大

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多