推荐系统

后来工业界和学术界都证明序列建模能够有效提升用户建模的精度，头部大厂开始有人在序列建模领域专注研究，其中尤其以阿里的序列建模出名，一系列序列建模相关论文一发表就受到广泛关注，为序列建模领域开辟出一片光

TWIN首先提炼出一个框架，将现有的的长序列建模总结为两阶段建模：先用GSU选择出topK，再用ESU提取信息。

本文提出的SDIM(Sampling-based Deep Interest Modeling),基于采样的端到端的方法来建模长期用户行为序列。从多个hash函数中采样产生候选物料和用户序列行为的ha

受Reformer的启发，我们提出了一种称为 ETA（End-to-end Target Attention）可以大大降低训练和推理成本，并端到端训练长期用户行为序列。

对于序列建模，实践了机器学习算法与在线服务协同设计的CTR预测系统，理论上可以处理无限长的用户序列。使用NTM的记忆矩阵来存储用户长序列，同时对NTM进行正则化的优化，进一步使用GRU提取用户兴趣

EGES：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba 阿里的EGES是Graph Embedd

Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction 重点回顾

A Dual Augmented Two-tower Model for Online Large-scale Recommendation 美团的对偶增强双塔为了user塔和item塔操碎了心，众所

Where to Go Next for Recommender Systems? ID- vs.Modality-based recommender models revisited 论文核心议题是

Recommending What Video to Watch Next: A Multitask Ranking System 论文地址：https://daiwk.github.io/asset

Multi-Task Deep Recommender Systems: A Survey 最近看到一篇多任务学习的综述，觉得总结的不错，记录一下。 1. 简介 推荐系统天然具有多任务学习的需求，以视

MVKE：Mixture of Virtual-Kernel Experts for Multi-Objective User Profile Modeling MVKE论文中是给用户打tag标记，构

Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recom

Sub-Network Routing for Flexible Parameter Sharing in Multi-Task Learning 论文地址：https://ojs.aaai.org/

C2Rec: An Effective Consistency Constraint for SequentialRecommendation 这篇文章提出了序列推荐建模中一种有效的一致性约束防范，不

Sparse-Interest Network for Sequential Recommendation 论文地址：https://arxiv.org/pdf/2102.09267.pdf 这里有篇

Re4: Learning to Re-contrast, Re-attend, Re-construct for Multi-interest Recommendation 论文地址：https:/

显式利用用户画像的多兴趣建模 目前在多兴趣建模中，用户侧的特征包括用户基础画像特征（年龄、性别、地域等）、用户在当前场景的静态兴趣画像特征（短期兴趣画像、长期兴趣画像）、交互的历史正向行为序列特征（正

多兴趣建模中兴趣向量多样性度量 多兴趣建模（例如Mind、SINE、ComiRec）过程中，通常会产生多个用户兴趣向量，同一个用户的多个兴趣向量在空间中应当相距足够远，以此来代表不同的兴趣点。 通常在

阿里BST 论文地址：https://arxiv.org/pdf/1905.06874.pdf 19年阿里这篇推荐论文也是紧贴热点，将Transformer应用到提取用户序列上面，提出Transfor