Top-K Off-Policy Correction for a REINFORCE Recommender System

• WSDM 2019
• google的文章
• 用的强化学习，做的YouTube视频推荐
• 怎么从大量的日志隐式反馈（logged implicit feedback，e.g., user clicks, dwell time）训练强化学习？
• 日志有biases，就是这些记录都是之前版本的推荐系统选择出来的

Social Attentional Memory Network: Modeling Aspect- and Friend-level Differences in Recommendation

• WSDM 2019
• 清华的文章
• 社交关系用户建模
• 主要解决user的friend关系有两个点
  1）user与friend只有某些方面相似（用Memory network建模）
  2）user与多个friend的相关度不一样（用Attention建模）
• Memory network部分（Aspect-level）：首先join user与某个friend的Embedding，得到joint embedding，Memory matrix也与friend Embedding join一下，然后用joint Embedding对joint Memory matrix做Attention，得到这个friend的表示
• Attention部分（Friend-level）：用user Embedding和item Embedding对每个friend表示做Attention，用来和user Embedding相加得到user表示
• 用BPR loss优化：
• 用的三个公开数据集：Delicious，Ciao，Epinions

The Influence of Image Search Intents on User Behavior and Satisfaction

• WSDM 2019
• 清华的文章
• 分析用户行为和满意度对图片搜索意图的影响
• 做了field study (collected relatively large amount of practical search behavior data with extensive first-tier annotation from users)
• Field Study过程：通过安装浏览器扩展收集用户日志记录，然后用户填写问卷，最后由外部评估人员整理问卷，得出用户意图的why(为什么用户要搜索这个)和what(用户想要搜索什么)
• 用户不同的搜索意图类型怎么影响用户行为？why影响较大，what影响不明显
• 哪些因素影响用户的满意度？相关性影响最大，然后是质量，多样性和源网站
• 用户行为信号（click，mouse movement，explicit feedback）对用户搜索满意度预测的表现怎样？

Recurrent Marked Temporal Point Processes: Embedding Event History to Vector

• KDD'2016
• 点过程对事件建模
• 用RNN模拟每个时刻的点过程强度