Tutorials
tutorials地址：staff.ustc.edu.cn/~hexn/
WSDM22:Graph Neural Networks for Recommendation System
GNN的优势：
(1)能够统一结构数据；推荐系统中的数据有不同种的形式，图是一种强大的表示数据，它能够利用结点和边来代表不同实体或者特征，从而在不同的数据源中捕捉到高阶表示信息，并且在特定的任务中学习到high-level表示。
(2)能够对高阶连接性建模；布置相邻的一阶邻居信息；
(3)多种监督信号；GNN能够利用版监督信号来减轻数据稀疏性的问题；或者自监督paradigm(范式)也是有用的。
[15] Bowen Jin, Chen Gao, Xiangnan He, Depeng Jin, and Yong Li. 2020.
Multi behavior recommendation with graph convolutional networks.
In Proceedings of the 43rd International ACM SIGIR Conference
on Research and Development in Information Retrieval. 659–668.
[22] Jiancan Wu, Xiang Wang, Fuli Feng, Xiangnan He, Liang Chen, Jianxun Lian,
and Xing Xie. 2021. Self-supervised graph learning for recommendation. In
Proceedings of the 44th International ACM SIGIR Conference on Research and
Development in Information Retrieval. 726–735.
GNN的挑战:
(1)图的构造；构造合适的图、结点、边；
(2)网络设计；设计合适的embedding聚合方式;
(3)模型优化；设计合适的优化目标，loss function，数据采样行为(data sampling manner);
Recsys21:Bias Issues and Solutions in Recommender System
- 用户的行为数据是观察的，而不是实验的(用户的心理和行为是时刻在变化的)；
- 因此，用户的数据中存在很多的bias，如selection bias，position bias，exposure bias(曝光)。盲目得拟合数据，而不考虑数据中内在的bias通常会导致严重的错误。
- 也因为如此，在线的实时产生的数据与离线的历史的数据之间有着差异(discrepancy).
产生这些bias的原因：
(1)User behavior data;用户交互数据是观察的，而不是实验的；
(2)Popular item bias,热门的item往往会得到更多的用户关注；数据稀疏问题，长尾效应；
(3)RS的feedback loop,由于RS的曝光机制，用户的行为数据将会作为train data在RS中循环这样的机制只会产生更多的偏置，加强更多的bias；Mattew effect，"the rich get richer"。
[5] Jiawei Chen, Hande Dong, Xiang Wang, Fuli Feng, Meng Wang, and Xiangnan He.
2020. Bias and Debias in Recommender System: A Survey and Future Directions.
arXiv preprint arXiv:2010.03240 (2020).
综述目录：
SIGIR20:Conversational Recommendation:Formulation,Methods,and Evaluation
对话推荐系统主要分为三类：
（1） 聊天型(chit-chat)：专注于信息社交聊天，并尝试与类似人类的合理或有趣的回应进行互动；
（2） 信息聊天机器人(Informational chatbots)：试图帮助用户查找信息或直接回答用户的问题；
（3） 任务型(task oriented chatbots)：试图帮助用户完成特定的任务，如预订航班或取消旅行。
CIKM19:Learning and Reasoning on Graph for Recommendation
现在一般的模型都是基于"information isolated island"，且只给出预测结果，并不给出原因，因此是一个黑箱。构造图结构数据有望打破这种局面，带来一定的解释性；
不同的应用场景下的推荐： (1)CF;
(2)Social Rec；
(3)Sequential Rec；
DGRec
[8] Weiping Song, Zhiping Xiao, Yifan Wang, Laurent Charlin, Ming Zhang, and Jian
Tang. 2019. Session-Based Social Recommendation via Dynamic Graph Attention
Networks. In WSDM. 555–563.
SR-GNN
[15] Shu Wu, Yuyuan Tang, Yanqiao Zhu, Liang Wang, Xing Xie, and Tieniu Tan. 2019.
Session-based Recommendation with Graph Neural Networks. In AAAI.
(4)Knowledge Graph-based Rec;
KGAT
[11] Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu, and Tat-Seng Chua. 2019. KGAT:
Knowledge Graph Attention Network for Recommendation. In KDD. 950–958.
