RecSys 2022已公布录用论文，接收39篇/投稿231篇，录用率为17%，再创历史新低。完整录用论文列表见
https://sigir.org/sigir2022/program/accepted/。
搞不懂Paper list怎么少了一篇。。
RecSys是推荐系统领域旗舰会议，2022年除了一篇搜索论文，其余全是推荐系统。[1] 已对论文进行简单整理，本文进行分类整理，并对已经公开的论文进行解读。由于论文数量较少，我会合并一些类别，并把只有一篇论文的类别放到其他中。
1. RecSys'22 论文梳理
1.1 序列推荐
[1] Aspect Re-distribution for Learning Better Item Embeddings in Sequential Recommendation
论文机构: 浙大、深大
论文分类: 序列推荐
[2] Context and Attribute-Aware Sequential Recommendation via Cross-Attention
论文链接: https://arxiv.org/abs/2204.06519
代码链接: https://github.com/ahmedrashed-ml/CARCA
论文机构: 德国希尔德斯海姆大学
论文分类: 序列推荐、商品属性
论文总结: 本文提出了 CARCA，这是一种上下文和属性感知模型，它可以无缝地捕获用户配置文件的动态性质和上下文变化，同时利用任何可用的商品属性。CARCA 还使用交叉注意力组件对商品进行评分，通过捕获用户配置文件中旧商品和最近商品之间的相关性以及它们对决定接下来推荐哪个商品的影响。四个不同数据集的实验结果表明，CARCA 在商品推荐任务上明显优于多个最先进的模型。
[3] Defending Substitution-based Profile Pollution Attacks on Sequential Recommenders
论文机构: UIUC
论文分类: 序列推荐、对抗学习
[4] Denoising Self-Attentive Sequential Recommendation
论文机构: Visa研究院
论文分类: Denoise、序列推荐
[5] Effective and Efficient Training for Sequential Recommendation using Recency Sampling
论文链接: https://arxiv.org/abs/2207.02643
论文机构: 格拉斯哥大学
论文分类: 序列推荐、采样
论文总结: 使用深度神经网络进行序列推荐可以有效地估计商品的相关性，但需要大量时间来训练。缓慢的训练会增加费用，阻碍产品开发时间表，并阻止模型定期更新以适应不断变化的用户偏好。训练这种序列推荐模型涉及适当地对过去的用户交互进行采样，以创建一个现实的训练目标。现有的训练目标存在局限性。例如，下一项预测从不使用序列的开头作为学习目标，因此可能会丢弃有价值的数据；另一方面，BERT4Rec 使用的 item masking 与序列推荐的目标只有微弱的相关性，因此，需要更多的时间来获得有效的模型。因此，本文提出了一种新颖的基于新近度的序列采样训练目标 (Recency-based Sampling of Sequences training objective)，它强调了训练期间最近交互的重要性，并解决了这两个限制。作者将该方法应用于各种最先进的模型架构——例如 GRU4Rec、Caser 和 SASRec。实验表明，该方法增强的模型可以实现超过或非常接近最先进的 BERT4Rec 的性能，但训练时间要少得多。
[6] Global and Personalized Graphs for Heterogeneous Sequential Recommendation by Learning Behavior Transitions and User Intentions
论文机构: 图网络、序列推荐
论文分类: 深圳大学、新加坡国立、香港浸会大学
1.2 会话推荐
[1] Bundle MCR: Towards Conversational Bundle Recommendation
论文机构: 加州大学圣地亚哥分校、Adobe研究院
论文分类: 搭配推荐、会话推荐
[2] Self-Supervised Bot Play for Transcript-Free Conversational Recommendation with Rationales
论文链接: https://arxiv.org/abs/2112.05197
论文机构: 加州大学圣地亚哥分校、
论文分类: 会话推荐、自监督
论文总结: 会话推荐系统为用户提供了交互式方式来寻找他们喜欢的商品。本文寻求通过三个维度改进对话推荐：1）旨在模仿人类交互推荐的常见模式，专家解释他们的建议，用户解释他们不喜欢该商品的原因，双方通过对话迭代找到一个合适的商品。2）利用对话批评的想法，让用户通过批评主观方面来灵活地与自然语言的理由进行交互。3) 将对话推荐应用到更广泛的领域，在这些领域中，众包基础事实对话不可用。作者开发了一个新的两部分框架来训练会话推荐系统。首先，训练一个推荐系统来联合推荐项目并用主观方面证明其推理的合理性。然后微调这个模型，通过自监督的机器人游戏来整合迭代的用户反馈。对三个真实世界数据集的实验表明，与最先进的方法相比，该系统可以应用于不同领域的不同推荐模型，以实现会话推荐的卓越性能。作者还评估了人类用户模型，表明在本文提出的框架下训练的系统在热启动和冷启动设置中提供了更多有用且知识渊博的建议。
1.3 搭配推荐
[1] BRUCE – Bundle Recommendation Using Contextualized item Embeddings
论文机构: 以色列本·古里安大学、Facebook
论文分类: 搭配推荐
[2] Bundle MCR: Towards Conversational Bundle Recommendation
论文机构: 加州大学圣地亚哥分校、Adobe研究院
论文分类: 搭配推荐、会话推荐
1.4 图网络&知识图谱
[1] Global and Personalized Graphs for Heterogeneous Sequential Recommendation by Learning Behavior Transitions and User Intentions
论文机构: 图网络、序列推荐
论文分类: 深圳大学、新加坡国立、香港浸会大学
[2] TinyKG: Memory-Efficient Training Framework for Knowledge Graph Neural Recommender Systems
论文机构: Visa、莱斯大学
论文分类: 图网络、知识图谱
1.5 对抗学习&强化学习
[1] Adversary or Friend? An adversarial Approach to Improving Recommender Systems
论文机构: Netflix
论文分类: 对抗学习
[2] Defending Substitution-based Profile Pollution Attacks on Sequential Recommenders
论文机构: UIUC
论文分类: 序列推荐、对抗学习
[3] Off-Policy Actor Critic for Recommender Systems
论文机构: 谷歌
论文分类: 强化学习
1.6 用户隐私&联邦学习
[1] Dynamic Global Sensitivity for Differentially Private Contextual Bandits
论文机构: 普林斯顿大学、弗吉尼亚大学
论文分类: EE、用户隐私
[2] EANA: Reducing Privacy Risk on Large-scale Recommendation Models
论文机构: 谷歌
论文分类: 用户隐私
[3] Toward Fair Federated Recommendation Learning: Characterizing the Inter-Dependence of System and Data Heterogeneity
论文链接: https://arxiv.org/abs/2206.02633
论文机构: Facebook
论文分类: 联邦学习、公平性
论文总结: 通过在设备上运行机器学习模型训练，联邦学习 (FL) 成为推荐系统中数据隐私的有效机制。虽然之前的联邦学习优化解决了联邦学习面临的数据和系统异构性挑战，但他们假设两者是相互独立的。这个基本假设并不能反映现实世界的大规模推荐系统——数据和系统的异构性是紧密交织在一起的。本文采用数据驱动的方法来展示现实世界数据中数据和系统异质性的相互依赖关系，并量化其对整体模型质量和公平性的影响。本文设计了一个框架 RF^2 来模拟相互依赖关系并评估其对联合推荐任务的最先进模型优化技术的影响。作者证明，在现实的异质性场景下，对公平性的影响可能是严重的，与大多数（如果不是全部）先前工作中假设的简单设置相比，影响高达 15.8--41 倍。这意味着当现实系统引起的数据异质性没有正确建模时，优化的公平性影响可能会被低估 41 倍。结果表明，对现实系统引起的数据异质性进行建模对于实现公平的联合推荐学习至关重要。作者计划开源 RF^2，以支持未来对联邦学习创新的设计和评估。
1.7 公平性&多样性
[1] Fairness-aware Federated Matrix Factorization
论文机构: 罗格斯大学
论文分类: 公平性、MF
[2] RADio – Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
论文机构: 阿姆斯特丹大学、荷兰媒体网络
论文分类: 多样性、新闻推荐
[3] Solving Diversity-Aware Maximum Inner Product Search Efficiently and Effectively
论文机构: 大阪大学、雅虎日本
论文分类: 多样性(搜索)
[4] Toward Fair Federated Recommendation Learning: Characterizing the Inter-Dependence of System and Data Heterogeneity
论文链接: https://arxiv.org/abs/2206.02633
论文机构: Facebook
论文分类: 联邦学习、公平性
论文总结: 通过在设备上运行机器学习模型训练，联邦学习 (FL) 成为推荐系统中数据隐私的有效机制。虽然之前的联邦学习优化解决了联邦学习面临的数据和系统异构性挑战，但他们假设两者是相互独立的。这个基本假设并不能反映现实世界的大规模推荐系统——数据和系统的异构性是紧密交织在一起的。本文采用数据驱动的方法来展示现实世界数据中数据和系统异质性的相互依赖关系，并量化其对整体模型质量和公平性的影响。本文设计了一个框架 RF^2 来模拟相互依赖关系并评估其对联合推荐任务的最先进模型优化技术的影响。作者证明，在现实的异质性场景下，对公平性的影响可能是严重的，与大多数（如果不是全部）先前工作中假设的简单设置相比，影响高达 15.8--41 倍。这意味着当现实系统引起的数据异质性没有正确建模时，优化的公平性影响可能会被低估 41 倍。结果表明，对现实系统引起的数据异质性进行建模对于实现公平的联合推荐学习至关重要。作者计划开源 RF^2，以支持未来对联邦学习创新的设计和评估。
1.8 商品属性
[1] CAEN: A Hierarchically Attentive Evolution Network for Item-Attribute-Change-Aware Recommendation in the Growing E-commerce Environment
论文机构: 阿里 (我们小组清华小姐姐的大作)
论文分类: 商品属性、演化模型
论文总结: 传统推荐系统主要侧重于对用户兴趣进行建模。然而，由属性修改（例如价格变化）引起的推荐商品的动态变化在现实系统中也非常重要，尤其是在快速发展的电子商务环境下，可能会导致用户需求的出现、转移和消失。最近的研究致力于动态商品表示，将商品属性视为辅助信息，但忽略其时间依赖性，或者使用一系列相关用户对商品演化进行建模，但不考虑商品属性。在本文中，我们提出了核心属性演化网络 (Core Attribute Evolution Network，CAEN)，它根据属性值划分用户序列，从而对这些用户的属性动态进行商品演化建模。在此框架下，我们进一步设计了一种分层注意力机制，该机制将属性感知注意应用于每个属性下的用户聚合，以及用于激活相似用户的个性化注意力，以评估目标用户与商品之间的匹配程度。在实际电子商务数据集上的大量实验结果表明，我们的方法优于最先进的方法，并且在属性快速变化的商品上取得了显着的改进，因此有助于商品推荐适应电子商务平台的增长。
[2] Context and Attribute-Aware Sequential Recommendation via Cross-Attention
论文链接: https://arxiv.org/abs/2204.06519
代码链接: https://github.com/ahmedrashed-ml/CARCA
论文机构: 德国希尔德斯海姆大学
论文分类: 序列推荐、商品属性
论文总结: 本文提出了 CARCA，这是一种上下文和属性感知模型，它可以无缝地捕获用户配置文件的动态性质和上下文变化，同时利用任何可用的商品属性。CARCA 还使用交叉注意力组件对商品进行评分，通过捕获用户配置文件中旧商品和最近商品之间的相关性以及它们对决定接下来推荐哪个商品的影响。四个不同数据集的实验结果表明，CARCA 在商品推荐任务上明显优于多个最先进的模型。
1.9 Debias&Denoise
[1] Countering Popularity Bias by Regularizing Score Differences
论文机构: 首尔大学
论文分类: Debias(流行度偏差)
[2] Denoising Self-Attentive Sequential Recommendation
论文机构: Visa研究院
论文分类: Denoise、序列推荐
1.10 FM&MF
[1] Dual Attentional Higher Order Factorization Machines
论文机构: 亚马逊
论文分类: FM
[2] Fairness-aware Federated Matrix Factorization
论文机构: 罗格斯大学
论文分类: 公平性、MF
[3] ProtoMF: Prototype-based Matrix Factorization for Effective and Explainable Recommendations
论文机构: 约翰·开普勒林茨大学
论文分类: MF、可解释性
1.11 EE
[1] Dynamic Global Sensitivity for Differentially Private Contextual Bandits
论文机构: 普林斯顿大学、弗吉尼亚大学
论文分类: EE、用户隐私
[2] Identifying New Podcasts with High General Appeal Using a Pure Exploration Infinitely-Armed Bandit Strategy
论文机构: Spotify、华盛顿大学、(美国)东北大学
论文分类: EE
1.12 音乐推荐/新闻推荐
[1] A User-Centered Investigation of Personal Music Tours
论文机构: 爱尔兰科克大学
论文分类: 音乐推荐
[2] Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
论文机构: 首尔大学
论文分类: 对比学习、音乐推荐
[3] RADio – Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
论文机构: 阿姆斯特丹大学、荷兰媒体网络
论文分类: 多样性、新闻推荐
[4] Reducing Cross-Topic Political Homogenization in Content-Based News Recommendation
论文机构: 杜兰大学、伊利诺伊理工学院
论文分类: 新闻推荐
1.13 其他(包括系统、对比学习、冷启动、跨域、Next basket推荐、多任务、多模态、重复消费、可解释性、预训练等)
[1] A GPU-specialized Inference Parameter Server for Large-Scale DeepRecommendation Models
论文机构: 英伟达
论文分类: 系统
[2] Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
论文机构: 首尔大学
论文分类: 对比学习、音乐推荐
[3] Fast And Accurate User Cold-Start Learning Using Monte Carlo Tree Search
论文机构: 爱尔兰都柏林大学圣三一学院
论文分类: 冷启动、蒙特卡洛
[4] Learning Recommendations from User Actions in the Item-poor Insurance Domain
论文机构: 哥本哈根大学
论文分类: 跨域
[5] Learning to Ride a Buy-Cycle: A Hyper-Convolutional Model for Next Basket Repurchase Recommendation
论文机构: 微软、以色列开放大学、特拉维夫大学、耶路撒冷希伯来大学
论文分类: Next basket推荐
[6] MARRS: A Framework for multi-objective risk-aware route recommendation using Multitask-Transformer
论文机构: 印度理工焦特布尔校区、印度理工学院
论文分类: 多任务、多目标、Transformer
[7] Multi-Modal Dialog State Tracking for Interactive Fashion Recommendation
论文机构: 格拉斯哥大学
论文分类: 多模态
[8] Modeling User Repeat Consumption Behavior for Online Novel Recommendation
论文机构: 腾讯、深大
论文分类: 重复消费
[9] ProtoMF: Prototype-based Matrix Factorization for Effective and Explainable Recommendations
论文机构: 约翰·开普勒林茨大学
论文分类: MF、可解释性
[10] Recommendation as Language Processing (RLP): A Unified Pretrain, Personalized Prompt & Predict Paradigm (P5)
论文链接: https://arxiv.org/pdf/2203.13366
论文机构: 罗格斯大学
论文分类: 预训练
论文总结: 本文提出了P5，它将不同的推荐任务统一到一个共享语言建模和自然语言生成框架中。通过设计涵盖五个推荐任务系列的个性化提示集合，作者将所有原始数据（例如用户-商品交互、商品元数据和用户评论）转换为相同的格式——输入-目标文本对。然后，在完整的语言环境中对 P5 进行预训练，以帮助它为各种推荐任务发现更深层次的语义。根据实验，P5 可以在所有五个任务系列上使用几种代表性方法击败或达到类似的性能。此外，P5 展示了对新商品、新领域和新个性化提示执行零样本迁移的泛化能力。
[11] A longitudinal study – Exploring the effect of nudging on users’ genre exploration behavior and listening preference
论文机构: 登博斯、埃因霍温理工大学
[12] Don’t recommend the obvious: estimate probability ratios
论文机构: 亚马逊、爱丁堡大学
[13] Modeling Two-Way Selection Preference for Person-Job Fit
论文机构: 人大、BOSS直聘
[14] Towards Psychologically Grounded Dynamic Preference Models
论文机构: Berkeley、MIT
2. 参考文献
[1] RecSys 2022 推荐系统论文整理
