本文所提方法针对召回阶段所用方法。之前的工作考虑的是如何缓解流行偏差带来的问题，包括IPS，causal embedding等，而本文考虑的是直接缓解流行偏差而不是流行偏差带来的影响。并且本文考虑到“不是所有流行偏差都是有害...

前一篇文章介绍了很多FM系列的方法，但是FM通过特征之间的两两关系来构建交叉特征，这些都是低阶特征组合。谷歌提出DCN，除了DNN部分，在显示构造特征的部分进行多层cross network进行特征的交叉。...

从方法名中就可以知道这篇文章分享的是FM的进一步改进版，xDeepFM是将DeepFM和DCN结合的一篇文章，将多层特征交叉和Field的概念结合起来。在DCN的推文中我们在总结部分就提到，DCN相对于FM的不同之处在于FM系列方法是可以...

如上式所示为lightGCN的每一层的计算方式，它直接聚合这些节点而不采用可学习权重和激活函数。其中u表示用户，i表示item，N(u)表示用户邻接的item集合，N(i)表示item邻接的user的集合，d表示节点的度。...

基于user-item二分图的图神经网络推荐系统已经得到了广泛的应用与研究。对于一些隐式反馈，用户没有被观察到的一些行为，在图中不会存在边，在图学习的过程中会学习到一些隐式行为，而这些行为中，有一部分是能够反映用户真实...

这里作者用到了一个新的激活函数，当然不是作者提出的。通常我们采用softmax来做最后的激活函数，或者作为注意力机制的归一化函数。但是softmax的归一化方式会为向量中的每一个元素都赋值，即他不会存在0的值，顶多是很小，比...

基于会话的推荐常用于在线应用，从电子商务到广告业务等。然而现有的工作没有很好地设计方法来捕获复杂动态转移中的时序信息和多层次的相互依赖的关系结构。因此本文提出 Multi-level Transition Dynamics (MTD) 方法...

本文主要针对的是如何从用户历史行为序列中学习到更鲁棒更有效的表征。用户历史行为序列中是存在噪声的，并且序列本身是稀疏的，因此本文针对现存的问题，提出CauseRec方法通过对反事实数据分布进行建模，更多地信任不可或缺...

针对用户历史行为序列数据中的稀疏性问题，本文采用因果推断中的反事实的相关理论来生成新的序列数据。要回答这样一个问题“如果用户之前购买的商品有所不同，她想购买什么？” 本文主要利用三种不同的反事实样本生成方式（...

本文作者提出的Contrastive Curriculum Learning（CCL）方法，主要包含两方面，分别解决上述问题：