KDD2022 | 基于图表示的推荐算法教程

嘿，记得给“机器学习与推荐算法”添加星标

---

第28届国际知识发现与数据挖掘大会SIGKDD会议将于8月14日至18日在华盛顿举行，该会议为数据挖掘领域顶级会议，CCF A类会议。据统计，今年共有1695篇有效投稿，其中254篇论文被接收，接收率为14.98%。关于KDD2022的推荐系统论文整理可参考KDD2022推荐系统论文集锦(附pdf下载)。

推荐系统是现代消费者web应用的基本组成部分，它试图预测用户的偏好以更好地推荐相关商品。因此，作为推荐系统输入的高质量用户和物品表示对于个性化推荐至关重要。为了构造这些用户和物品表示，自监督图嵌入已经成为学习图数据的一种基础性方法，如用户社交图、用户成员关系图、用户-物品交互关系图和其他异构图。

在本教程中，试图讨论自监督图嵌入的不同方法族。在每个类别中，将详细概述各种技术以及他们的优缺点，并阐述最新的方法。最后，还演示了如何在现代工业规模的深度学习推荐系统中有效地利用所产生的大型嵌入表来提高候选对象的检索和排名效率。

另外，我们还整理了近10年发表在顶级会议上的推荐系统官方教程，可参考推荐系统顶会教程合集。

公众号后台回复【graph】获取161页教程pdf

以下为本教程的总体大纲，首先介绍了推荐系统的基本知识、主流算法以及面临的冷启动与数据稀疏挑战，随后介绍当前的预训练表示模型可以大大缓解以上挑战进而引出今天的主题，即基于图表示学习的相关模型。然后分别介绍了同质图表示学习（比如deepwalk、node2vec、LINE等），然后阐述了异质图表示学习的主要方法（比如HNE、PTE、TransE等），然后介绍了图神经网络的消息聚合以及经典模型，最后给出了基于图表示的推荐算法。

最后重点介绍了基于图表示的推荐算法，并介绍了如何将图嵌入给出的每个用户和物品的表示合理的整合到推荐系统中。

介绍了一些工业级的推荐模型，比如大规模参数训练框架Persia，面向快速可扩展训练的软硬件协同设计深度学习推荐模型等。

公众号后台回复【graph】获取161页教程pdf

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧👇