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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多