炼丹要练好，须有好丹方，何处寻好的丹方，答曰：顶会！
本文不扯蛋，就扯扯这2020年顶会必看的推荐系统的论文 & 其摘要。如有兴趣炼丹提升自己开发推荐系统效果的，可以持续关注我们的公众号！我们会每周更新一到多篇顶会Paper的阅读 & 评论 或者 福利 Code复现，助我们的炼丹师练出顶级“丹药”。
本人乃初级炼丹师，难免会有纰漏，还请各位大佬莫要见笑，如有什么错误，还请多多指点，奋斗鸭?！
本文我们汇总了25篇AAAI2020与推荐系统相关的论文&其对应的摘要。
1: Where to Go Next: Modeling Long- and Short-Term User Preferences for Point-of-Interest Recommendation
- 摘要：POI推荐（Point-of-Interest，POI）是一个热门的研究课题，它从大量候选场馆中为用户生成更加方便的个性化的建议。因为用户的签到记录可以看作是一个很长的序列，基于递归神经网络（RNNs）的方法在这块显示出了很好的适用性。然而，现有的基于RNN的方法在对用户短期偏好建模时，要么忽略了用户的长期偏好，要么忽略了最近访问的poi之间的地理关系，使得我们的推荐结果并不可靠。针对上述局限性，我们提出了一种新的长短期偏好建模方法（LSTPM）。特别地，该模型由一个用于长期偏好建模的非局部网络和一个用于短期偏好学习的geo-dialted RNN组成。在两个实际数据集上的大量实验表明，我们的模型相比目前最好的方法得到了显著的提升。
2.PEIA: Personality and Emotion Integrated Attentive Model for Music Recommendation on Social Media Platforms
- 摘要：随着数字音乐格式的迅速扩展，推荐用户喜爱的音乐是非常重要的。对于音乐推荐，用户的个性和情感会分别以长期和短期的方式影响他们的音乐偏好，而丰富的社交媒体数据为这些信息提供了有效的反馈。本文针对社交媒体平台上的音乐推荐问题，提出了一种个性与情感相结合的注意模型（PEIA），模型充分利用社交媒体数据，对用户的长期喜好（个性）和短期偏好（情感）进行综合建模。具体地，它充分利用了个性化的用户特性、情感导向的用户特性和音乐特性的多方面属性。在整合用户个性和情感的潜在表征时，采用层次注意来区分重要因素。在171254个用户的大型真实数据集上进行的实验证明了我们的PEIA模型的有效性，我们的模型可以获得0.5369的NDCG，优于现有的方法。我们还进行了详细的参数分析和特征贡献分析，进一步验证了我们的方案，并说明了用户个性和情感协同建模在音乐推荐中的意义。
3. A Knowledge-Aware Attentional Reasoning Network for Recommendation
- 摘要：近年来，基于知识图的推荐系统越来越受到业界和学术界的关注。现有的许多基于知识的推荐方法都取得了更好的效果，通常是通过对知识图中用户和商品之间的路径进行推理来进行推荐。然而，他们忽略了一点：用户的个人点击历史序列，这些序列可以更好地反映用户在推荐时间段内的偏好。本文中，我们提出了一种基于知识感知的注意力推理网络KARN，KARN融合了用户的点击历史序列和用户与商品之间的路径连通性。提出的KARN不仅开发了一个基于注意的RNN，从用户点击的历史序列中捕捉用户的历史兴趣，而且还开发了一个层次化的注意力神经网络来推理用户和物品之间的路径，从而推断出用户对物品的潜在意图。基于用户的历史兴趣和潜在意图，KARN可以预测用户对候选项的点击概率。我们在Amazon评论数据集上进行了实验，实验结果证明了我们提出的KARN模型的优越性和有效性。
4. Enhancing Personalized Trip Recommendation with Attractive Routes
- 摘要：个性化出行推荐试图为用户推荐一系列兴趣点（poi）。现有的研究大多只根据poi本身的流行程度来搜索poi。事实上，POI之间的线路对游客也非常具有吸引力，其中一些线路人气很高。我们将这种路由称为吸引路由（AR），它可以带来额外的用户体验。本文我们研究有吸引力的路线来改善个性化的旅游推荐。针对ARs的发现和评估问题，我们提出了一种基于POIs和吸引路径的个性化出行推荐器（TRAR）。该方法基于流行度和POI的基尼系数来发掘吸引路线，然后利用类别空间中的引力模型来估计吸引路线的评分得分和偏好。基于此，TRAR建议使用ARs进行一次旅行，以最大限度地提高用户体验，并在时间成本和用户体验之间进行权衡。实验结果表明了TRAR方法与其他最新方法相比的优越性。
5.Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation
- 摘要：最近关于推荐的研究主要集中在探索提高最新神经网络的表达能力，而通常为了网络的高效学习，我们常常采用负采样（NS）策略。这样的方法虽然有效，但有两个重要的问题没有得到很好的考虑：1）NS的波动性很大，使得基于抽样的方法在实际应用中很难获得最优的排序性能；2）虽然各种各样的反馈（例如，查看、点击、点击等），和购买）广泛存在于许多在线系统，大多数现有的方法只利用一种主要类型的用户反馈，如购买。在这项工作中，我们提出了一个新的非抽样迁移学习解决方案，我们将其命名为高效异构协同过滤（EHCF）的Top-N推荐。它不仅可以对细粒度的用户商品关系进行建模，而且能够以较低的时间复杂度从整个异构数据（包括所有未标记数据）中高效地学习模型参数。在三个实际数据集上的大量实验表明，EHCF在传统（单一行为）和异构场景中都显著优于最新的推荐方法。此外，EHCF在训练效率上有显著提高，使其更适用于实际的大型系统。我们的实现已经发布1，以方便基于全量数据的神经方法的进一步发展。
6. An Attentional Recurrent Neural Network for Personalized Next Location Recommendation
- 摘要：现有的关于下一个位置推荐的研究大多提出对签入序列的序列规则性进行建模，但由于大多数位置的后续位置少于5个，因此存在严重的数据稀疏问题。为此，我们提出了一种基于注意机制的递归神经网络（ARNN）来联合建模相似位置（邻居）的序列规律性和转移规律性。特别地，我们首先设计了一个基于元路径的随机游走在一个新的知识图上，以此来发现基于异质因素的位置邻居。然后采用一个递归神经网络，通过捕捉控制用户移动性的各种上下文，对序列规则性进行建模。同时，通过注意机制整合被发现邻居的转移规律，并将其与序列规则无缝协作，形成一个统一的递归框架。在多个真实数据集上的实验结果表明，ARNN都优于最新的方法。
7. Memory Augmented Graph Neural Networks for Sequential Recommendation
- 摘要：在许多推荐系统中，用户商品交互的时间顺序可以揭示用户行为的时间演化和顺序。用户将与之交互的商品可能取决于过去访问的商品。然而，用户和商品的大量增加使得顺序推荐系统仍然面临着不小的挑战：（1）短期用户兴趣建模困难；（2）长期用户兴趣难以捕捉；（3）商品共现模式的有效建模。为了解决这些问题，我们提出了一种记忆增强图神经网络（MA-GNN）来同时捕捉用户的长期和短期兴趣。具体地说，我们使用一个图神经网络在短期内对商品上下文信息进行建模，并利用共享内存网络来捕捉商品之间的长期依赖关系。除了用户兴趣的建模外，我们使用双线性函数来捕捉相关商品的共现模式。我们在五个真实世界的数据集上对我们的模型进行了广泛的评估，与几种最先进的方法进行了比较，并使用了各种性能指标。实验结果验证了该模型对Top-K序列推荐任务的有效性。
8. Leveraging Title-Abstract Attentive Semantics for Paper Recommendation
- 摘要：论文推荐是为用户提供个性化的感兴趣的论文的一个研究课题。然而，现有的大多数方法都是将标题和摘要作为学习论文表现形式的输入，忽略了它们之间的语义关系。本文将摘要视为一个句子序列，并提出一个两级注意神经网络来捕捉：（1）句子中每个词在语义上是否接近标题中的词的能力。（2） 摘要中每个句子相对于标题的程度，这通常是对摘要文档的一个很好的概括。具体地，我们提出了一个有注意的长短期记忆（LSTM）网络来学习句子的表示，并将一个门控递归单元（GRU）网络与一个记忆网络相结合来学习交互论文的长时顺序句型，以供用户和项目（论文）建模之用。我们在两个真实的数据集上进行了大量的实验，结果表明我们的方法在准确性方面优于其他最先进的方法。
9. Diversified Interactive Recommendation with Implicit Feedback
- 摘要：交互式推荐系统能够实现用户与推荐系统之间的交互，已经引起了越来越多的研究兴趣。以往的方法主要集中在优化推荐精度上。然而，它们往往忽略了推荐结果的多样性，从而导致用户体验不尽如人意。本文针对用户隐含反馈的交互式推荐问题，提出了一种新的多样化推荐模型，即多样化上下文组合Bandit（DC2B）。具体而言，DC2B在推荐过程中采用了决定点过程，以提高推荐结果的多样性。为了学习模型参数，提出了一种基于变分贝叶斯推理的Thompson抽样算法。此外，本文还提供了理论遗憾分析来保证DC2B的性能。在实际数据集上进行了大量的实验，证明了该方法在平衡推荐精度和多样性方面的有效性。
10. Question-driven Purchasing Propensity Analysis for Recommendation
- 摘要：电子商务网站的商家期望推荐系统能够吸引更多的消费，而这与消费者的购买倾向高度相关。然而，大多数现有的推荐系统关注的是顾客的总体偏好，而不是通常由顾客提出的问题所决定的即时需求。一个典型的推荐场景是：Bob想买一部可以玩PUBG游戏的手机。他对华为P20很感兴趣，在它下面问“PUBG能在这部手机上顺利运行吗？“。然后我们的系统向他推荐最符合条件的手机。直觉上，不同的用户问题可能会在其他有类似顾虑的用户撰写的评论中得到解决。为了解决这一问题，我们提出了一种新的问题驱动的注意神经网络（QDANN），根据用户生成的评论来评估提问者的即时需求和产品的合格性，并据此进行推荐。没有监督，QDANN可以很好地利用评论来实现这一目标。注意机制可以用来为建议提供解释。我们在淘宝网的三个领域对QDANN进行了评估。结果表明该方法的有效性，效果都优于基线法。
11.Sequential Recommendation with Relation-Aware Kernelized Self-Attention
- 摘要：最近的研究表明，注意机制可以改善顺序推荐。根据这一发展，我们提出了关系感知核化自我注意（RKSA），它采用了ransformer的自我注意机制，并增加了一个概率模型。变压器的原始自我关注是一种没有关系意识的确定性措施。因此，我们引入了一个潜在空间来描述自注意，并且潜在空间将推荐上下文从关系中建模为多维偏正态分布，并根据共现、商品特征和用户信息建立了核化协方差矩阵。本文通过增加推荐任务细节的概率模型，将Transformer的自我注意和顺序推荐相结合。我们在基准数据集上对RKSA进行了实验，与最近的基线模型相比，RKSA显示出了显著的提升。同时，RKSA还能够产生一个潜在空间模型来回答推荐的原因。
12. Incremental Fairness in Two-Sided Market Platforms: On Smoothly Updating Recommendations
- 摘要：今天的主要的在线平台可以被认为是一个有商品和服务的生产者和顾客的双边市场。有人担心，平台过分强调客户满意度可能会影响生产商的福祉。为了解决这些问题，最近的工作中很少有人试图为生产商(卖家)纳入公平原则。然而，这些研究忽略了此类平台中的一个重要问题——为了提高客户效用，底层算法经常更新，从而导致生产商的曝光率突然发生变化。在本文中，我们关注于这种频繁更新所引起的公平性问题，并主张对平台算法进行增量更新，以便生产商有足够的时间（在逻辑上和精神上）适应变化。然而，简单的增量更新可能对客户不公平。因此，针对部署在双边平台上的建议，我们制定了一个基于ILP的在线优化，以n个步骤增量部署更改，在这种情况下，我们可以确保项目的平滑过渡，同时保证每个客户的效用最小。对多个真实世界数据集的评估表明，我们提出的平台更新机制对双边平台中的生产商和客户都是有效和公平的。
13. Attention-guide Walk Model in Heterogeneous Information Network for Multi-style Recommendation Explanation
- 摘要：可解释推荐的目的不仅在于向用户提供推荐的商品，而且要让用户知道为什么要推荐这些商品。在一个异构的信息网络中，用户和商品之间有太多的交互因素可以用来解释推荐。然而，这些相互作用的因素通常是巨大的、含蓄的和嘈杂的。现有的推荐解释方法只考虑单一的解释风格，如方面层或评论层。为了解决这些问题，我们针对异构信息网络中的隶属关系和交互关系，提出了一种基于注意-引导-行走模型的多风格推荐解释生成框架（MSRE）。在注意机制的启发下，我们确定了推荐解释的重要上下文，并学习了多风格用户商品交互的联合表示，以提高推荐性能。通过对三个真实数据集的大量实验，验证了该框架在推荐性能和推荐解释方面的有效性。
14. Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation
- 摘要：最近，推荐系统已经能够通过利用用户提供的评论来进行大大改进。现有方法通常将给定用户或商品的所有评论合并到一个长文档中，然后以相同的方式处理用户和商品文档。然而，在实践中，这两组评论明显不同：用户的评论反映了他们购买的各种商品，因此他们的主题非常不同，而一个商品的评论只与单个商品有关，因此在主题上是同质的。在这项工作中，我们开发了一个新的神经网络模型，它通过非对称注意模块恰当地解释了这一重要差异。用户模块学习只关注与目标商品相关的那些信号，而商品模块学习提取关于商品属性的最显著的内容。我们的多层次范式解释了这样一个事实：不是所有的评论都同样有用，也不是每个评论中的所有句子都同样相关。在各种实际数据集上的大量实验结果证明了该方法的有效性。
15. Table2Analysis: Modeling and Recommendation of Common Analysis Patterns for Multi-Dimensional Data
- 摘要：给定一个多维数据表，人类会创建什么样的方法来从中提取信息？从科学探索到商业智能，这是知识发现和决策自动化需要解决的关键问题。在本文中，我们提出了Table2Analysis，从大量(Table,analysis)对中学习常用的分析模式，并推荐对任何一个以前从未见过的表进行分析。多维数据作为输入对现有的模型体系结构和训练技术提出了挑战。Table2Analysis基于启发式搜索的深度Q学习，进行表到序列的生成，每个序列编码一个分析。在我们对数据透视表推荐任务的大规模电子表格语料库的评估中，Table2Analysis的前5名召回率为0.78，前1名的召回率为0.65
16.Symmetric Metric Learning with Adaptive Margin for Recommendation
- 摘要：基于度量学习的方法在推荐系统中引起了广泛的兴趣。目前的方法在度量空间中采取以用户为中心的方式，保证用户与负商品之间的距离比当前用户与正商品之间的距离大一定的距离。而忽视了正向商品与负向商品之间的关系。因此，这两个商品可能定位得很近，从而导致不正确的结果。同时，不同的用户通常有不同的偏好，这些方法所采用的固定margin不能适应各种用户的偏差，从而降低了性能。针对这两个问题，我们提出了一种新的基于自适应margin的对称度量学习算法。除了当前的以用户为中心的度量之外，它对称地引入了一个积极的以商品为中心的度量，该度量保持了从正向商品到用户的距离，同时将负向商品从正商向品推离。此外，动态自适应margin经过良好训练，以减轻偏差的影响。在三个公开推荐数据集上的实验结果表明，与几种最先进的方法相比，SML具有竞争性的性能。
17. Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation
- 摘要:Hashing是解决大规模推荐问题的一种有效技术，它在计算用户对商品的偏好时具有较高的计算和存储效率。然而，现有的基于Hashing的推荐方法还存在两个重要问题：1）其推荐过程主要依赖于用户商品的交互作用和单一的特定内容特征。当交互历史或内容特性不可用时（冷启动问题），它们的性能将严重恶化。2） 现有的方法采用松弛优化学习散列码，或采用离散坐标下降法直接求解二进制散列码，这会造成很大的量化损失或消耗大量的计算时间。针对这些问题，本文提出了一种快速冷启动推荐方法，即多特征离散协同过滤（MFDCF）。具体地，我们设计了一个低秩自加权多特征融合模块，充分利用二者的互补性，自适应地将多个内容特征投影到二值信息哈希码中。此外，我们开发了一个快速的离散优化算法来直接计算二进制哈希码，操作简单。在两个公开推荐数据集上的实验表明，MFDCF在各个方面都优于现有的技术。
18.Towards Comprehensive Recommender Systems: Time-Aware Unified Recommendations Based on Listwise Ranking of Implicit Cross-Network Data
- 摘要：web应用程序中丰富的信息使得推荐对于用户和应用程序都至关重要。尽管现有的推荐系统是有效的，但是我们发现两个主要的限制降低了它们的整体性能：（1）不能通过考虑用户偏好的动态特性来为新用户和现有用户提供及时的推荐，以及（2）在使用隐式反馈时没有对排名任务进行充分优化。因此，我们提出了一种新的基于深度学习的统一跨网络解决方案，以缓解冷启动和数据稀疏问题，并为新用户和现有用户提供及时的建议。此外，我们将隐式反馈下的排序问题视为一个分类任务，并针对隐式数据提出了一个通用的个性化列表优化准则，以有效地对商品列表进行排序。我们使用Twitter辅助信息来说明我们的跨网络模型，以便在YouTube目标网络上进行推荐。与多个时间感知基线和跨网络基线的大量比较表明，我们所提出的方案在准确性、新颖性和多样性方面具有优越性。此外，在流行的MovieLens数据集上进行的实验表明，所提出的列表排序方法优于现有的排序技术。
19. Fast Adaptively Weighted Matrix Factorization for Recommendation with Implicit Feedback
- 摘要：由于缺乏可靠的可观察到的负面数据，来自内隐反馈的推荐是一项极具挑战性的任务。一种流行而有效的隐式推荐方法是将未观察到的数据视为负面，但这会降低他们的置信度。隐式推荐模型的两个关键问题是如何分配置信权重和处理大量未观测到的数据。然而，现有的方法要么追求快速学习，手工分配简单的置信权值，缺乏灵活性，在评价用户偏好时可能产生经验偏差；要么自适应地推断个性化的置信权值，但效率较低。为了实现自适应权值分配和有效的模型学习，我们提出了一种基于变分自动编码器的快速自适应加权矩阵分解（FAWMF）。利用参数化神经网络（函数）自适应地分配个性化数据的置信权，并根据数据推断出网络。此外，为了支持FAWMF快速稳定的学习，我们开发了一种新的基于批处理的学习算法fBGD，该算法对所有反馈数据进行训练，但其复杂度与观测数据的数量成线性关系。在实际数据集上的大量实验表明了所提出的FAWMF及其学习算法fBGD的优越性。
20.Towards Hands-free Visual Dialog Interactive Recommendation
- 摘要：随着多模式交互推荐技术的发展，用户可以通过对商品图像的自然语言反馈来表达自己的偏好，从而找到所需的商品。然而，现有的系统要么只检索一个条目，要么要求用户在每次用户交互中从推荐列表中指定（例如，通过点击或触摸）评论的条目。因此，用户不能免提，建议可能不切实际。我们提出一个免提的视觉对话推荐系统，以互动方式推荐商品清单。每次，系统都会显示具有视觉外观的商品列表。用户可以用自然语言对列表进行注释，以描述他们进一步想要的功能。使用这些多模式数据，系统将选择另一个要推荐的商列表。为了从这些多模数据中了解用户的偏好，我们开发了神经网络模型来识别列表中的描述项并进一步预测期望的属性。为了实现高效的交互式推荐，我们利用推断出的用户偏好，进一步开发了一种新的bandit算法。具体地说，为了避免系统过度探索，利用期望属性来减少探索空间。更重要的是，为了在这种免提环境下实现样本有效学习，我们从用户用自然语言表达的相对偏好中获取额外样本，并设计了bandit学习中的成对logistic损失。我们的bandit模型由自然语言反馈和传统logistic损失共同修正。实验结果表明，经过几次用户交互后，本系统找到所需商品的概率是传统交互式推荐者的3倍左右。
21.Contextual-Bandit Based Personalized Recommendation with Time-Varying User Interests
- 摘要：研究了一个高度非平稳环境下的上下文bandit问题，该问题由于用户兴趣的时变性而普遍存在于各种推荐系统中。考虑了两个具有不相交和混合收益的模型来描述用户对不同商的偏好随时间的变化而不同的现象。在不相交的支付模型中，玩单只手臂的奖励由一个特定于手臂的偏好向量决定，该偏好向量是分段平稳的，在不同的手臂上有异步和不同的变化。提出了一种有效的适应报酬突变的学习算法，并进行了理论后悔分析，证明了在时间长度T范围内实现了后悔的次线性标度。该算法进一步扩展到一个具有混合收益的更一般的环境中，玩一只手臂的奖励由手臂特定的偏好向量和所有手臂共享的联合系数向量决定。在实际数据集上进行了实证实验，以验证所提出的学习算法相对于基线学习算法在两种情况下的优越性。
22.Stochastically Robust Personalized Ranking for LSH Recommendation Retrieval
- 摘要：局部敏感散列（LSH）已成为最常用的近似近邻搜索技术之一，以避免扫描所有数据点的高昂成本。对于推荐系统，LSH通过将用户和商品向量编码成二进制散列码来实现高效的推荐检索，降低了对所有商品向量进行穷尽性检查以确定top-k项的开销。然而，传统的矩阵分解模型会因随机抽取LSH散列函数而导致性能退化，直接影响推荐的最终质量。本文提出了一个名为øurmodel的框架，该框架在学习实值用户和商品潜在向量时，考虑LSH散列函数的随机性，最终提高LSH索引后的推荐精度。在公开数据集上的实验表明，该框架不仅有效地学习了用户的预测偏好，而且与LSH随机性具有很高的兼容性，与最先进的基线相比，产生了更好的LSH后索引性能。
23.Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution.
- 摘要：在视频推荐等工业应用中，点击率预测是一项重要的任务。最近，有人提出了深度学习模型来学习用户整体兴趣的表示，而忽略了兴趣可能随时间动态变化的事实。我们认为有必要考虑CTR模型中的连续时间信息，以便从丰富的历史行为中跟踪用户的兴趣趋势。本文提出了一种新的深度时间流框架（DTS），它通过常微分方程（ODE）引入时间信息。DTS使用神经网络不断地模拟兴趣的演变，从而能够解决根据用户的历史行为动态表示用户兴趣的挑战。此外，我们的框架可以无缝地应用到任何现有的深度CTR模型，通过利用额外的时间流模块，而不会对原始的CTR模型进行任何更改。在公共数据集上进行了数十亿个实际数据集的实验，验证了所提出方法的有效性。
24.Improved Algorithms for Conservative Exploration in Bandits.
- 摘要：在许多领域，如数字营销、医疗保健、金融和机器人技术，通常在生产中运行经过良好测试和可靠的基线策略（例如，推荐系统）。然而，基准政策往往是次优的。在这种情况下，需要部署与系统交互的在线学习算法（例如，多臂bandit算法），以便在学习过程中的性能几乎不会比基线本身的性能差的约束下学习更好/最优的策略。本文研究了上下文线性bandit环境下的保守学习问题，提出了一种新的算法：保守约束LinUCB（CLUCB2）。我们得到了CLUCB2的遗憾界，它与已有的结果相匹配，并通过经验证明它在许多综合问题和实际问题中优于最先进的保守bandit算法。最后，我们考虑了一个更现实的约束，即性能只在预先定义的检查点（而不是在每个步骤）进行验证，并说明这种放松的约束是如何对CLUCB2的遗憾和经验性能产生有利影响的。
25.Deep Match to Rank Model for Personalized Click-Through Rate Prediction.
- 摘要：点击率预测是推荐系统和许多其他应用领域的核心任务。对于CTR预测模型来说，个性化是提高性能、增强用户体验的关键。近年来，人们提出了几种模型来从隐含反映用户个性化偏好的用户行为数据中提取用户兴趣。然而，现有的CTR预测领域的研究主要集中在用户表示上，而很少关注用户与商品之间的相关性，这直接衡量了用户对目标商品的偏好程度。基于此，我们提出了一种新的深度匹配排名模型DMR，它结合了匹配方法中协同过滤的思想，用于CTR预测中的排名任务。在DMR中，我们设计了用户商品目网络和商品-商品网络，以两种形式表示相关性。在用户-商品网络中，我们通过嵌入空间中相应表示的内积来表示用户与商品之间的相关性。同时，提出了一个辅助匹配网络来监督训练，并推送更大的内积来表示更高的相关性。在商品对商品网络中，我们首先通过注意机制计算用户交互商品与目标商品之间的商品间相似度，然后对相似度进行总结，得到另一种形式的用户-商品关联。我们在公共数据集和工业数据集上进行了大量的实验，以验证我们的模型的有效性，该模型的性能明显优于最先进的模型。
后续我们会筛选出在我们实践中带来提升或者启发的工作进行细致的解读与探讨，欢迎关注我们的公众号，也欢迎多交流，我是一品炼丹师: 一元。
