分享一些最新的论文阅读笔记

《Overcoming Data Sparsity in Group Recommendation》

目的：给一组用户进行推荐。
主要问题：怎样聚合个人的喜好来推断一个组的决策。
已有工作：传统的组推荐方法使用预先定义的聚合策略。
缺点：静态，不能建模复杂的组决策过程。
本文：利用二分图嵌入模型（建模组-项目之间的关系），自注意机制（解决用户-项目交互稀疏的问题，利用用户的社交网络增强用户的特征学习）和图卷积网络，学习组和用户的喜好。
背景：随着智能手机，社交网络服务的发展，人们很容易形成一个永久或者临时的组（比如家人一块看电视，朋友一块旅游）。因此需要组推荐系统。与永久的组不同的地方在于，临时的组是指一些偶尔一起做事的人，比如吃饭、看电影、参加聚会等，会面临冷启动问题。

《Dual Attention Model for Citation Recommendation》

目的：为学术论文推荐引文。
主要问题：引文推荐与topic有关，包括词语和被引文章的相关性和重要性，以及作者目前研究章节的目的。
已有工作：谷歌学术，dblp通过关键字查找。
缺点：没有考虑到关键字的上下文。
本文：为引文推荐提出了双注意模型，获得单词和被引文章相关性和重要性。两个注意机制：自注意（获得单词和结构上下文之间的相关性）+ 附加注意（学习单词和结构上下文的重要性）。

主要有两部分：
（1） 上下文编码：
编码上下文单词，sections，结构上下文。
三层：嵌入层（将单词转化为向量）；自注意层（获得单词和结构上下文的相关性）；
附加注意层（获得单词和结构上下文的重要性）。
（2） 引文编码：
预测目标引文的概率。

《Graph Factorization Machines for Cross-Domain Recommendation》

主要问题：图结构的数据能够很好的提高推荐的性能，但是传统的协同过滤方法并不能处理图结构数据。数据稀疏性问题也是推荐系统中一个主要问题。
已有工作：FM和跨域推荐都能很好的解决数据稀疏性问题。
缺点：FM能够很好的处理稀疏数据，并获得特征交互，跨域推荐也可以解决数据稀疏性问题，但是也没有很好的对图结构数据进行处理。
本文：提出了新的模型：图因式分解机来有效的获得图结构数据的特征，利用FM聚合高阶邻居的信息，从而避免已有GNN模型的缺点；以及一个跨域模型框架。

《Temporal Collaborative Filtering with Graph Convolutional Neural Networks》

TCF建模非静态（用户喜好的动态变化）的推荐系统，GNN比传统的MF方法能提供更准确的推荐。本文使用GNN [缺：数据稀疏性；克服：在每一个时间步训练一个GNN模型，使用一组时间累积的观测交互。] 学习用户，项目特征，RNN建模时空动态变化。