(资料图)

国际万维网大会（The International Conference of World Wide Web，简称WWW会议），是由国际万维网会议委员会发起主办的国际学术会议，创始于1994年，汇集了国际著名大学、研究机构、跨国企业和国际标准化组织的一流学者和产业界精英，持续推动着互联网技术的发展，尤其是为各国信息化建设提供了重要的技术标准。

AMiner通过AI技术，对 WWW2023 收录的会议论文进行了分类整理，今日分享的是推荐系统主题论文，共10篇，我们在这里展示五篇最受欢迎的论文，欢迎下载收藏！

1.Collaboration-Aware Graph Convolutional Network for Recommender Systems作者：Yu Wang,Yuying Zhao,Yi Zhang,Tyler DerrAI综述（大模型驱动）：我们描述了一种新的基于交互的推理算法,该算法能够选择地传递邻居的推文。我们提出了一种改进的LightGCN建议模型,该模型优于最具代表性的基线建议模型。论文链接：https://www.aminer.cn/pub/62cf89cd5aee126c0f563d23/

2.Dual Policy Learning for Aggregation Optimization in Graph Neural Network-based Recommender Systems作者：Heesoo Jung,Sangpil Kim,Hogun ParkAI综述（大模型驱动）：在本文中,我们提出了一种新的基于决策学习的信息传递框架。该框架利用两个深层Q网络模型来捕获用户和项之间的高度一致性。它使用两种动态规划算法来有效地确定高阶连接,并提高目标基线R的性能。我们在六个实际数据集上对我们的框架进行了评估,结果表明,我们的框架可以显著改善最近的基础模型。论文链接：https://www.aminer.cn/pub/63f5888290e50fcafd27c3d5/

3.A Counterfactual Collaborative Session-based Recommender System作者：Wenzhuo Song,Shoujin Wang,Yan Wang,Kunpeng Liu,Xueyan Liu,Minghao YinAI综述（大模型驱动）：大多数基于小组的建议系统(SBRS)侧重于从用户观察到的特征中提取信息来预测下一目标,而忽略了外部的因素(称为外部会议的原因,OSCs),这些因素影响了用户的选择。然而,在实际世界中,这些原因虽然普遍存在,但很少有研究对他们在SBRS中的角色进行了调查。在这项工作中,我们分析了在SBRS中的作用和相互作用的两个视角。我们发现OSCs是基本来说在SBRS中起着重要作用,这导致数据用于训练SBRS模型的数据中有着复杂的相似性。为了解决这个问题,我们提出了一个叫做COCO SBRS的新SBRS框架,该框架首先采用了自我监督的方法,然后使用针对每个用户选择数据的推理来指导训练过程。实验结果证实了我们的框架优于十个代表性的SBRS。 论文链接：https://www.aminer.cn/pub/63d9d87590e50fcafd57ec0c/

4.P-MMF: Provider Max-min Fairness Re-ranking in Recommender System作者：Chen Xu,Sirui Chen,Jun Xu,Weiran Shen,Xiao Zhang,Gang Wang,Zhenghua DongAI综述（大模型驱动）：本文提出了一种名为provider max min fairness re ranking(P MMF)的在线重排序模型,以解决用户偏好和提供商公平性的问题。通过对四个公共推荐数据集进行实验,证明了P MMF可以优于最先进基线。此外,研究还表明,P MMF在具有大量内容的语料库上仍能保持较小的计算成本。 论文链接：https://www.aminer.cn/pub/640fe64790e50fcafd9e25e5/

5.Clustered Embedding Learning for Recommender Systems作者：Yizhou Chen,Guangda Huzhang,Anxiang Zeng,Qingtao Yu,Hui Sun,Heng-yi Li,Jingyi Li,Yabo Ni,Han Yu,Zhiming ZhouAI综述（大模型驱动）：聚类嵌入学习(Cel)在实际应用程序中起着至关重要的作用。我们提出了一种快速而可扩展的聚类嵌入学习框架,该框架可以与任何变异特征交互模型相结合。它能够达到比以前更好的性能,尤其是对于冷冻用户和项目,而无需借助额外的存储成本。我们在三个公共数据集上评估了其有效性,并表明它对当前最先进的方法相比有了显著的改进。 论文链接：https://www.aminer.cn/pub/63e06ff290e50fcafd98374d/

想查看全部推荐系统论文，可以点击下方链接：

https://www.aminer.cn/conf/5eba34beedb6e7d53c0f3772/WWW2023