分享一些最近閱讀的WangYan老師團隊的文章

《Sequential Recommender Systems: Challenges, Progress and Prospects 》

1. 問題：傳統的推薦方法沒有考慮一段時間內序列使用者行為，使用者專案互動，使用者喜好和專案受歡迎程度的變化。
2. sequential recommender systems (SRSs)：將使用者-專案互動視為動態的序列。
   輸入一系列使用者-專案互動，預測在不久的將來可能發生的後續使用者-項互動。
3. 為什麼需要SRSs？
   （1）使用者-專案互動是順序相關的。
   比如，當用戶預定了飛機票，酒店，並租賃一輛車，下一步要幹什麼？下一步可能是自駕去某個景點。在這種情況下，酒店應儘可能靠近航班的目的地機場，取車地點可能離酒店不遠。使用者的每個後續動作都依賴於前面的動作，因此所有四個消費動作都是順序相關的。
   
   （2）使用者喜好，專案受歡迎程度是動態變化的。
   （3）使用者-專案互動通常在一定的順序上下文下發生。

《Double-Wing Mixture of Experts for Streaming Recommendations》

已有SRSs：

1. 忽略歷史資料中嵌入的長期使用者偏好；
2. 資料流中常見的異構性大大降低了流式推薦的準確性。
   本文：提出VRS-DWMoE（Variational and Reservoir-enhanced Sampling based Double-Wing Mixture of Experts），提高流式推薦的準確性。
   首先設計取樣方法，使用新的資料補充歷史資料，從而捕捉使用者長期的偏好。再設計模型，有效學習異構使用者喜好和專案特徵。