WSDM2024推荐系统和LLM相关论文整理（二）

最新推荐文章于 2026-03-30 11:13:46 发布

原创

最新推荐文章于 2026-03-30 11:13:46 发布 · 2.7k 阅读

标签

WSDM 2024接收的论文已经公布，全部收录的论文可前往地址
网址：https://www.wsdm-conference.org/2024/accepted-papers/
其中推荐系统相关论文三十余篇，下文列举了部分论文的标题以及摘要，更多内容欢迎关注公众号【深度学习推荐算法】

1、Mixed Attention Network for Cross-domain Sequential Recommendation（卡耐基梅隆，快手）【跨域序列推荐的混合注意力网络】

在现代推荐系统中，顺序推荐利用按时间顺序排列的用户行为来提供有效的下一项目建议，但这种方法存在数据稀缺问题，尤其是对新用户而言。跨领域推荐是一项很有前景的工作，它利用多个领域的数据训练模型，以提高数据稀缺领域的性能。最近提出的跨领域顺序推荐模型（如 PiNet 和 DASL）有一个共同的缺点，即严重依赖不同领域的重叠用户，这限制了它们在实际推荐系统中的应用。在本文中，我们提出了一种具有本地和全局注意力模块的混合注意力网络（M ixed A ttention N etwork，MAN），以提取特定域和跨域信息。首先，我们提出了一个本地/全局编码层来捕捉特定领域/跨领域的序列模式。然后，我们提出了一个混合注意力层，包括项目相似性注意力、序列融合注意力和群体原型注意力，分别用于捕捉本地/全局项目相似性、融合本地/全局项目序列和提取不同领域的用户群体。最后，我们提出了一个局部/全局预测层，以进一步发展和结合特定领域和跨领域的兴趣。在两个真实世界数据集（每个数据集有两个领域）上的实验结果表明了我们提出的模型的优越性。进一步的研究还表明，我们所提出的方法和组件与模型无关，并且可以在不同领域中使用。进一步的研究还表明，我们提出的方法和组件分别与模型无关，而且非常有效。代码和数据可在网站上获取。
https://github.com/Guanyu-Lin/MAN
在这里插入图片描述
图 1：(a) 依赖重叠用户的用户转移学习和(b) 无用户重叠假设的群体转移学习示意图

图 2：我们提出的城域网模型示意图。(1) 项目序列首先被输入本地/全局编码层，该层为每个项目建立本地和全局嵌入，并对其进行编码，以提取本地和全局序列模式；(2) 在混合注意层中，项目相似性注意被输入本地和全局项目嵌入，以捕捉项目级模式。在混合注意层中，项目相似性注意利用本地和全局项目嵌入来捕捉项目级关系；序列融合注意融合编码的本地和全局序列表示来捕捉序列级关系；组原型注意利用共享的组原型来捕捉组级关系。在此，我们以领域 A 为例，详细说明所提出的各个注意力组件。(4) 聚合嵌入将分别输入局部预测层和全局预测层，进行最终预测。

2、Knowledge Graph Context-Enhanced Diversified Recommendation（伊利诺伊）【知识图谱上下文增强的多样化推荐】

推荐系统（RecSys）领域已被广泛研究，以利用用户的历史互动来提高准确性。然而，对准确性的不懈追求往往会削弱多样性，最终导致众所周知的 “回音室 ”现象。多元化 RecSys 作为一种对策应运而生，它将多样性与准确性相提并论，赢得了学术界和行业从业者的广泛关注。本研究在错综复杂的知识图谱（KG）背景下探索多元化 RecSys。这些知识图谱是有关实体和项目的相互关联信息的存储库，通过纳入具有洞察力的上下文信息，为扩大推荐多样性提供了有利途径。我们的贡献包括引入了一个创新指标–实体覆盖率和关系覆盖率，该指标可有效量化 KG 领域内的多样性。此外，我们还引入了多样化嵌入学习（DEL）模块，该模块经过精心设计，能够制定出具有与生俱来的多样性意识的用户表征。与此同时，我们还引入了一种名为 “条件对齐和一致性”（CAU）的新技术。它在保持上下文完整性的同时，还能巧妙地对 KG 项目嵌入进行编码。总之，我们的贡献标志着在以 KG 为基础的 RecSys 范例中，在增强推荐多样性全景方面取得了重大进展。
在这里插入图片描述
图 1：带有知识图谱的多元化 RecSys。

3、Exploring Adapter-based Transfer Learning for Recommender Systems: Empirical Studies and Practical Insights（西湖大学）【基于适配器的推荐系统迁移学习探索：实证研究与实践启示】

适配器是一种具有可调参数的插件式神经网络模块，它是一种参数高效的迁移学习技术，可将预先训练好的模型适配到下游任务中，尤其适用于自然语言处理（NLP）和计算机视觉（CV）领域。同时，直接从原始项目模式特征（如 NLP 的文本和 CV 的图像）中学习推荐模型，可以实现有效和可迁移的推荐系统（称为 TransRec）。有鉴于此，一个自然而然的问题出现了：基于适配器的学习技术能否实现参数高效、性能良好的 TransRec？为此，我们进行了实证研究，以解决几个关键的子问题。首先，我们询问基于适配器的 TransRec 与基于标准全参数微调的 TransRec 的性能是否相当，是否适用于不同项目模式的推荐，例如文本 RS 和视觉 RS。如果是，我们将在项目推荐任务中对这些在 NLP 和 CV 任务中被证明有效的现有适配器进行基准测试。第三，我们仔细研究了基于适配器的 TransRec 的几个关键因素，即在哪里以及如何插入这些适配器？最后，我们通过扩大源训练数据或缩小目标训练数据来研究