微博上近日流傳一個(gè)段子，“2020年曾是各大科幻片中遙遠(yuǎn)的未來(lái)，但是現(xiàn)在離這個(gè)遙遠(yuǎn)的未來(lái)也只有6個(gè)月時(shí)間了”。只是借此感慨一下2019年轉(zhuǎn)瞬之間半年的時(shí)間已經(jīng)過(guò)去了，目前深度學(xué)習(xí)火熱朝天，深度學(xué)習(xí)在推薦系統(tǒng)和CTR預(yù)估工業(yè)界的論文也是一篇接著一篇良莠不齊。

接下來(lái)主要總結(jié)一下2019年上半年工業(yè)界深度推薦系統(tǒng)與CTR預(yù)估上值得精讀的論文。個(gè)人整理難免遺漏，也歡迎各位同行朋友評(píng)論另外哪些想額外推薦精讀的論文。

1. Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM 2019, Google作者：Minmin Chen, Alex Beutel, Paul Covington, Sagar Jain, Francois Belletti, Ed Chi；論文：t.cn/EUus1wu；Keynote：t.cn/EJFyMBk；

位列首位的當(dāng)屬Youtube推薦強(qiáng)化學(xué)習(xí)的兩篇論文。雖然強(qiáng)化學(xué)習(xí)目前在推薦系統(tǒng)和CTR預(yù)估領(lǐng)域工業(yè)界由于系統(tǒng)復(fù)雜、效果未有顯著提升等眾所周知的原因確實(shí)不夠成熟也尚未大規(guī)模應(yīng)用起來(lái)。但是Youtube推薦的這兩篇論文從某種程度上讓強(qiáng)化學(xué)習(xí)的應(yīng)用方向變得更明確了一些，而且作者在Industry Day上也宣稱線上實(shí)驗(yàn)效果顯示這個(gè)是YouTube單個(gè)項(xiàng)目近兩年來(lái)最大的reward增長(zhǎng)，也從某種程度上會(huì)激發(fā)各大公司的研究者們繼續(xù)跟進(jìn)的興趣。

這是第一篇論文，提出了一種Top-K的Off-Policy修正方案將RL中Policy-Gradient類算法得以應(yīng)用在動(dòng)作空間數(shù)以百萬(wàn)計(jì)的Youtube在線推薦系統(tǒng)中。

2. Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology, IJCAI 2019, Google作者：Eugene Ie, Vihan Jain, Jing Wang, ..., Jim McFadden, Tushar Chandra, Craig Boutilier；論文：t.cn/AiKFHvYU；

這是Youtube推薦應(yīng)用強(qiáng)化學(xué)習(xí)的第二彈，主要貢獻(xiàn)是提出了一種名為SLATEQ的Q-Learning算法，優(yōu)化推薦系統(tǒng)里面同時(shí)展示給用戶多個(gè)item情況的長(zhǎng)期收益LTV（Long-term Value），將長(zhǎng)期收益加入排序多目標(biāo)中進(jìn)行建模優(yōu)化。重點(diǎn)在于與baseline使用的深度網(wǎng)絡(luò)和輸入特征都完全一樣。詳見(jiàn)：Youtube推薦已經(jīng)上線RL了，強(qiáng)化學(xué)習(xí)在推薦廣告工業(yè)界大規(guī)模應(yīng)用還遠(yuǎn)嗎？

3. Deep Learning Recommendation Model for Personalization and Recommendation Systems作者：Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi,..., Bill Jia, Liang Xiong, Misha Smelyanskiy；論文：t.cn/Ai0rIUd0；代碼：t.cn/AiNGzCsY；解讀：t.cn/AiOX38PL；

FaceBook推薦最新論文，通過(guò)建模與系統(tǒng)協(xié)同設(shè)計(jì)提出一種butterfly-shuffle的機(jī)制來(lái)提升模型并行化，離線訓(xùn)練上在沒(méi)有任何超參調(diào)優(yōu)下收斂速度與準(zhǔn)確率優(yōu)于DCN，并開(kāi)源了代碼。

4. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW 2019, Huawei作者：Bin Liu, Ruiming Tang, Yingzhi Chen, Jinkai Yu, Huifeng Guo, Yuzhou Zhang；論文：t.cn/AipAFS3p；

華為 at WWW 2019，提出基于卷積神經(jīng)網(wǎng)絡(luò)的CTR特征生成方法FGCNN，包含特征生成和深度分類器兩部分，可以和任意CTR預(yù)估模型進(jìn)行組合。

5. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD 2019, Alibaba作者：Wentao Ouyang, Xiuwu Zhang, Li Li, Heng Zou, Xin Xing, Zhaojie Liu, Yanlong Du；論文：t.cn/Ai0jTY68；代碼：t.cn/Ai0jTY6u；

阿里 at KDD 2019，提出DSTN模型用于點(diǎn)擊率CTR預(yù)估，考慮更多空域與時(shí)域的輔助信息包括上下文展示過(guò)的ad以及歷史點(diǎn)擊/未點(diǎn)擊ad來(lái)更好地預(yù)測(cè)目標(biāo)item的點(diǎn)擊率。從論文實(shí)驗(yàn)數(shù)據(jù)看，效果大幅度超過(guò)DeepFM和GRU，并開(kāi)源了代碼。

6. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks作者：Weiping Song, Chence Shi, Zhiping Xiao, Zhijian Duan, Yewen Xu, Ming Zhang, Jian Tang；論文：t.cn/AipG8aXz；代碼：t.cn/EI8Pnso；

最新的深度CTR預(yù)估模型AutoInt，通過(guò)過(guò)Multi-head注意力機(jī)制將特征投射到多個(gè)子空間中，并在不同的子空間中捕獲不同的特征組合形式，效果超過(guò)xDeepFM等達(dá)到最好。

7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent作者：Yudan Liu, Kaikai Ge, Xu Zhang, Leyu Lin論文：t.cn/AiOaAg1Q；解讀：t.cn/AiOaAg1E；

騰訊 at KDD2019，微信看一看團(tuán)隊(duì)對(duì)傳統(tǒng)Look-alike進(jìn)行了改造，提出實(shí)時(shí)Look-alike算法RALM，解決推薦系統(tǒng)多樣性問(wèn)題，效果好于YoutubeDNN。

8. Joint Optimization of Tree-based Index and Deep Model for Recommender Systems作者：Han Zhu, Daqing Chang, Ziru Xu, Pengye Zhang, Xiang Li, Jie He, Han Li, Jian Xu, Kun Gai；論文：t.cn/AiN5T8Ks；TDM論文：t.cn/RQ5MrSg；

還記得阿里 at KDD 2018的深度樹(shù)匹配召回模型TDM嗎？升級(jí)版JTM提出索引與模型同時(shí)優(yōu)化的方案，大幅提升召回效果。

9. A User-Centered Concept Mining System for Query and Document Understanding at Tencent, KDD 2019, Tencent作者：Bang Liu, Weidong Guo, Di Niu, Chaoyue Wang, Shunnan Xu, Jinghong Lin, Kunfeng Lai, Yu Xu論文：t.cn/Ai09Dxkd；解讀：t.cn/Ai09DxkB；數(shù)據(jù)資源：t.cn/Ai09Dxkr；

騰訊 at KDD2019，構(gòu)建了ConcepT概念挖掘標(biāo)記系統(tǒng)，利用query搜索點(diǎn)擊日志從用戶視角提取不同的概念，以提高對(duì)短文本（query）和長(zhǎng)文章（document）的理解，從而推動(dòng)推薦，搜索等業(yè)務(wù)的提升。實(shí)驗(yàn)證明，ConcepT在 QQ 瀏覽器信息流業(yè)務(wù)中性能優(yōu)異，曝光效率相對(duì)提升6.01%。

10. Deep Session Interest Network for Click-Through Rate Prediction, IJCAI 2019, Alibaba作者：Yufei Feng, Fuyu Lv, Weichen Shen, Menghan Wang, Fei Sun, Yu Zhu, Keping Yang；論文：t.cn/AiN9QZnV；代碼：t.cn/AiN9QZnV；

阿里 at IJCAI2019，考慮到不同用戶行為序列的session內(nèi)行為同構(gòu)與session之間行為異構(gòu)的特性提出了基于sesssion的CTR預(yù)估模型DSIN。使用self-attention機(jī)制抽取session內(nèi)用戶興趣，使用Bi-LSTM針對(duì)用戶跨session興趣進(jìn)行建模。

11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent作者：Fuxing Hong, Dongbo Huang, Ge Chen；論文：t.cn/Ai0WHak5；代碼：t.cn/Ai0WHakt；

騰訊 at AAAI2019，提出IFM通過(guò)特征以及特征組不同角度靈活學(xué)習(xí)特征間交互的重要性，并提出了通用的Interation-NN框架和DeepIFM來(lái)捕捉高階交互，效果優(yōu)于DeepFM并開(kāi)源了代碼。

12. Multi-Interest Network with Dynamic Routing for Recommendation at Tmall作者：Chao Li, Zhiyuan Liu, Mengmeng Wu, ..., Qiwei Chen, Wei Li, Dik Lun Lee論文：t.cn/AiOao6I4；解讀：t.cn/AiOao6I4；

阿里天貓?zhí)岢鯩IND模型通過(guò)Dynamic Routing的方法從用戶行為和用戶屬性信息中動(dòng)態(tài)學(xué)習(xí)出多個(gè)表示用戶興趣的向量，更好的捕捉用戶的多樣興趣，來(lái)提升召回的豐富度和準(zhǔn)確度，效果好于YoutubeDNN。

13. Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019, Alibaba作者：Qi Pi, Weijie Bian, Guorui Zhou, Xiaoqiang Zhu, Kun Gai；論文：t.cn/AiN4s4oe；

阿里 at KDD2019，通過(guò)系統(tǒng)設(shè)計(jì)解決用戶超長(zhǎng)行為歷史下CTR建模與在線預(yù)測(cè)性能瓶頸，效果好于GRU4Rec和DIEN。

14. Neural News Recommendation with Long- and Short-term User Representations, ACL 2019, Microsoft作者：Mingxiao An，F(xiàn)angzhao Wu，Chuhan Wu，Kun Zhang，Zheng Liu，Xing Xie；論文：t.cn/Ai029G81；

微軟 at ACL 2019，LSTUR用于在新聞推薦任務(wù)中同時(shí)學(xué)習(xí)用戶長(zhǎng)期和短期的興趣表示。模型的整體結(jié)構(gòu)可分為新聞編碼器、用戶長(zhǎng)期興趣和短期興趣模型、以及候選新聞的個(gè)性化分?jǐn)?shù)預(yù)測(cè)模型，效果好于GRU4Rec。

15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019作者：Chen Ma, Peng Kang, Xue Liu；論文：t.cn/AipuFYkG；代碼：t.cn/AipuFYkb；

KDD2019，HGN提出通過(guò)feature與instance gating的多層級(jí)結(jié)構(gòu)結(jié)合BPR來(lái)更好的捕獲用戶的長(zhǎng)短期興趣，效果好于GRU4Rec以及NextItRec。

16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang, Wenwu Ou論文：t.cn/Ai9JgWoJ；解讀：t.cn/AiKBda4q

阿里巴巴搜索推薦事業(yè)部的新研究，首次使用強(qiáng)大的 Transformer 模型捕獲用戶行為序列的序列信號(hào)，供電子商務(wù)場(chǎng)景的推薦系統(tǒng)使用。原有DIN 提出使用注意力機(jī)制來(lái)捕獲候選項(xiàng)與用戶先前點(diǎn)擊商品之間的相似性，但未考慮用戶行為序列背后的序列性質(zhì)。離線實(shí)驗(yàn)和在線 A/B 測(cè)試表明，BST 與現(xiàn)有方法相比有明顯優(yōu)勢(shì)。目前 BST 已經(jīng)部署在淘寶推薦的 rank 階段，每天為數(shù)億消費(fèi)者提供推薦服務(wù)[2]。

17. Operation-aware Neural Networks for User Response Prediction作者：Yi Yang, Baile Xu, Furao Shen, Jian Zhao；論文：t.cn/AiO2Dp5k；代碼：t.cn/Ev4H3Jm；

深度CTR預(yù)估新積木：PNN + FFM - FM = ONN模型，效果好于DeepFM和PNN。

18. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, Alibaba作者：Fei Sun, Jun Liu, Jian Wu, Changhua Pei, Xiao Lin, Wenwu Ou, Peng Jiang；論文：t.cn/AiNqPitA；

Transformer引入推薦系統(tǒng)工業(yè)界，利用用戶歷史點(diǎn)擊序列預(yù)測(cè)下一個(gè)點(diǎn)擊item，效果超過(guò)GRU4Rec。

19. A Capsule Network for Recommendation and Explaining What You Like and Dislike, SIGIR2019, Alibaba作者：henliang Li, Cong Quan, Li Peng, Yunwei Qi, Yuming Deng, Libing Wu；論文：t.cn/AiOLWp6x；

阿里 at SIGIR2019，膠囊神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦提出CARP模型來(lái)從評(píng)論中更好地建模用戶對(duì)商品的喜好程度，效果好于最新的ANR等。

20. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI 2019, Alibaba作者：Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Chao Qi, Zhaojie Liu, Yanlong Du；論文：t.cn/Ai0jcGIZ；代碼：t.cn/Ai0jcGIw；

阿里 at IJCAI2019，提出DeepMCP模型通過(guò)匹配、關(guān)聯(lián)、預(yù)測(cè)三個(gè)子模塊更好地建模用戶-ad，ad之間以及特征-CTR關(guān)系，效果優(yōu)于DeepFM并開(kāi)源了代碼。