最牛博客排行榜
主要搜集一些内容完美的博客，学习之，思考之，超越之
0 乱写一通
我每天只是在看那些优秀的人达到了哪些成就，但是没有看他们在做什么。他们是怎么做的。 只看到了表面的光环，没有看到去拿光环锁走过的挫折和荆棘。
好的方法只有一个：那就是认定目标，选择方法，坚持下去。 特别简单的道理，但是对于99.99%的人都很难去完成一个算是有点难度的任务的。
1 AI算法工程师手册
2 技术世界
这个博客核心点介绍了丰富的kafka和spark以及java设计模式的内容， 里面每篇文章可以看到博主的认真，尤其是kafka相关的总结。 另外也能够看到博主阅读源码、研究问题的能力。
3 https://eli.thegreenplace.net/
google工程师，很多不错的python文章。
4 对开发者有用的英文网站合集
https://blog.csdn.net/ejinxian/article/details/74080639
5 博士五年之后五年的总结（其三）
https://zhuanlan.zhihu.com/p/46760428
6 详解深度学习中的Normalization,BN/LN/WN
https://zhuanlan.zhihu.com/p/33173246
7 计算广告、推荐系统
推荐相关论文
一个框架看懂优化算法之异同SGD/AdaGrad/Adam https://zhuanlan.zhihu.com/p/32230623 https://github.com/wzhe06/Reco-papers https://github.com/hongleizhang/RSPapers 北大教授： http://net.pku.edu.cn/~cuibin/Papers/
基于spark的ctr预估模型
https://github.com/wzhe06/Reco-papers
广告相关的论文
https://github.com/wzhe06/Ad-papers
ddia-cn 数据密集
8 星空博客
9 吴恩达终结著作
10 word2wec
数据密集型应用系统设计 星空博客 https://accepteddoge.github.io/machine-learning-yearning-cn/ https://www.cnblogs.com/peghoty/p/3857839.html
汇总: https://cloud.tencent.com/developer/article/1346546 皮果提 https://me.csdn.net/peghoty word2vec详细介绍： https://plmsmile.github.io/2017/11/12/cs224n-notes1-word2vec/
11 地瓜哥的mysql笔记
12 wepon-机器学习竞赛大牛
TODO 13 深入理解auc
https://notes.diguage.com/mysql/ http://wepon.me/ 此篇文章写的非常不错，中间不仅介绍了auc计算中的sql方法。 还介绍了负样本下采样对模型准确率的影响（过高估计） 以及在不同任务类型下，通过经验知识来判断auc指标的大小比较。
14 如何成为一名推荐系统工程师-陈开江
15 时隔两年，斯坦福NLP标准公开课CS224N将再次开放视频
16 飒然Hang
17 Jay Alammar
18 微软全球执行副总裁沈向洋：你给自己的定位是什么，你就会得到什么
https://tracholar.github.io/machine-learning/2018/01/26/auc.html https://zhuanlan.zhihu.com/p/54260449 https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=0&rsv_idx=1&tn=baidu&wd=%E9%A3%92%E7%84%B6Hang&rsv_pq=e91a606700037ddb&rsv_t=e49fqelPqpBodIw94rsrms0AfMnGkoH9u4sb9XCm%2BCf6AJk5MnN1r2lsp8I&rqlang=cn&rsv_enter=1&rsv_sug3=1 http://jalammar.github.io/about/ https://weibo.com/ttarticle/p/show?id=2309404346184943679626#_0
Author aihacks
LastMod 2018-09-30
KDD 2019 高维稀疏数据上的深度学习 Workshop 论文汇总导读：本文是 “深度推荐系统” 专栏的第九篇文章，这个系列将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。本文简要总结一下阿里妈妈在 KDD 2019 上组织的第一届面向高维稀疏数据的深度学习实践 Workshop[1]收录的论文。
欢迎转载，转载请注明出处以及链接，更多关于深度推荐系统优质内容请关注如下频道。
知乎专栏：深度推荐系统
微博：深度传送门
公众号：深度传送门
今年阿里妈妈在 KDD 2019 上组织了第一届面向高维稀疏数据的深度学习实践 Workshop（官网：https://dlp-kdd.github.io），看这个名字就知道极具推荐、广告领域工业界的大规模深度学习色彩。虽然这次收录的论文主要是来自阿里巴巴和中国高校，但毕竟是基于工业界大规模实际场景需求出发组织的研讨会还是可以多多见识下大家讨论的一些 topic 和 idea。也借此祝愿这样的研讨会举办得更多一些，越来越有含金量越来越有影响力。
User Behavior Understanding
1. (Best Paper Award) An End-to-End Neighborhood-based Interaction Model for Knowledge-enhanced Recommendation
作者：Yanru Qu, Ting Bai, Weinan Zhang, Jianyun Nie and Jian Tang；
论文：http://t.cn/AiQwCNck；代码：http://t.cn/AiQgYOrI；
提出 KNI 模型引入 KG 以及 GNN 更好地学习用户 - item 之间复杂的结构交互模式，解决 CTR 预估中数据稀疏与冷启动问题，效果好于 WDL 和 DKN 等。并开源了代码。
2. Collaborative Filtering via Learning Characteristics of Neighborhood based on Convolutional Neural Networks
作者：Yugang Jia, Xin Wang, Jinting Zhang
论文：http://t.cn/Ai8PIxvF；
借助 CNN 抽取临近 item 的特征，更好地学习用户 - item 之间的隐式关系来提升 CF 类算法的准确性。效果好于 NCF 等。
3. Attention-based Mixture Density Recurrent Networks for History-based Recommendation
作者：Tian Wang, Kyunghyun Cho and Musen Wen
论文：http://t.cn/Ai8hcGut；
提出引入注意力机制的 RNN 网络来建模基于向量表示的用户历史，动态预测用户的点击、购买行为等。效果主要和经典的 ICF、IMF 等在两大公开数据集上进行了对比有明显提升。
4. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba
作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang and Wenwu Ou
论文：http://t.cn/Ai8hSGwk；
将 Transformer 的自注意力结构引入推荐系统中典型的 MLP+embedding 网络结构中，在淘宝线上 CTR 预估任务中效果好于 WDL 和 DIN 等。
5. Click-Through Rate Prediction with the User Memory Network
作者：Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Li Li, Zhaojie Liu and Yanlong Du
论文：http://t.cn/AiW9R5PL；代码：http://t.cn/AiW9R5Pq；
提出 MA-DNN（Memory Augmented DNN）综合考虑 CTR 预估工业界性能与效率的折中，既像 DNN 简单，又能像 RNN 针对用户复杂历史行为进行建模。主要是为每个用户新增了两个记忆向量来对用户喜欢和不喜欢的概率进行建模，效果好于 WDL 并开源了代码。
6. A unified Neural Network Approach to e-Commerce Relevance Learning
作者：Yunjiang Jiang, Yue Shang, Rui Li, Wen-Yun Yang, Guoyu Tang, Chaoyi Ma, Yun Xiao and Eric Zhao
论文：http://t.cn/Ai8hOzRe；
来自京东的研究者们提出一种普适的前向网络框架预测 query 和 item 的相关性，同时引进了多项优化手段 Siamese pairwise 框架、随机负样本 Batch 训练以及 pointwise 调优等，效果好于 DSSM 和 GBDT 等。
Representation Learning for High-dimensional Sparse Data
7. Pairwise Multi-Layer Nets for Learning Distributed Representation of Multi-field Categorical Data
作者：Ying Wen, Tianyao Chen, Jun Wang and Weinan Zhang
论文：http://t.cn/Ai8htYEM；代码：http://t.cn/Ai8h3mWq；
提出一种基于 Pairwise 多层网络来学习多值类别特征的表示方法。针对每一个类别特征的每一个离散 field 都学习一个低维向量，然后依靠网络门学习特征内和特征间的交互。在 CTR 预估任务中，效果好于 FNN 和 PNN 等。
8. Learning over Categorical Data using Counting Features
作者：Xuyang Wu, Xinyang Gao, Weinan Zhang, Rui Luo and Jun Wang
论文：http://t.cn/Ai8hkttg；
针对目前多值类别特征的 one-hot 编码的诸多问题提出一种新颖的 counting features 方式，在 CTR 预估任务中具有更好的泛化能力。
9. Learning Job Representation Using Directed Graph Embedding
作者：Haiyan Luo, Yu Sun, Anand Joseph Bernard Selvaraj and Shichuan Ma
论文：http://t.cn/Ai8hFbGi；
提出仿照经典的 Graph Embedding 方式从用户的 job 转换历史构图学习 job 的的 Embedding 表示，效果好于 skip-gram 等。
Embedding techniques
10. Res-embedding for Deep Learning Based Click-Through Rate Prediction Modeling
作者：Guorui Zhou, Kailun Wu, Weijie Bian, Xiaoqiang Zhu and Kun Gai
论文：http://t.cn/Ai87wZyp；
针对 CTR 预估任务中经典的 Embedding&MLP 结构中 Embedding 表示学习泛化能力差的问题提出了一种叫做 res-embedding 的方式。由两部分构成：一部分是基于 item 的兴趣图学习的 central embedding；另一部分是相对小维度的 residual embedding。
11. SuperChat: Dialogue Generation by Transfer Learning from Vision to Language using Two-dimensional Word Embedding
作者：Baohua Sun, Lin Yang, Michael Lin, Charles Young, Jason Dong, Wenhan Zhang and Patrick Dong
论文：http://t.cn/Ai87UMHa；
借助文本分类中 Super Characters 的两维 embedding 方式，应用在会话生成当中。
Auto feature selection
12. Automatic Feature Engineering From Very High Dimensional Event Logs Using Deep Neural Networks
作者：Kai Hu, Joey Wang, Yong Liu and Datong Chen
论文：http://t.cn/Ai87bepi；
提出 Midway NN 网络针对高维事件日志进行自动特征工程。MNN 将特定窗口的输入特征向量转换为稠密的中间特征表示并进行缓存，供增量学习和预测。实验证明可以减少人工参与，以及节省训练和预测的耗时。
Scalable, Distributed and Parallel Training System for Deep Learning
13. XDL: An Industrial Deep Learning Framework for High-dimensional Sparse Data
作者：Biye Jiang, Chao Deng, Huimin Yi, Zelin Hu, Guorui Zhou, Buting Ma, Yang Zheng, Sui Huang, Xinyang Guo, Dongyue Wang, Yue Song, Liqin Zhao, Zhi Wang, Peng Sun, Yu Zhang, Di Zhang, Jinhui Li, Jian Xu, Xiaoqiang Zhu and Kun Gai
论文：http://t.cn/Ai87tBXC；
阿里妈妈自研的面向推荐、广告领域高维稀疏数据的深度学习框架 XDL。
Anomaly detection
14. An Adaptive Approach for Anomaly Detector Selection and Fine-tuning in Time Series
作者：Hui Ye, Xiaopeng Ma, Qingfeng Pan, Huaqiang Fang, Hang Xiang and Tongzhen Shao
论文：http://t.cn/Ai87cpbF；
15. AMAD: Adversarial Multiscale Anomaly Detection on High-Dimensional and Time-Evolving Categorical Data
作者：Zheng G, Zheng Gao, Lin Guo, Chi Ma, Xiao Ma, Kai Sun, Hang Xiang, Xiaoqiang Zhu, Hongsong Li and Xiaozhong Liu
论文：http://t.cn/Ai87c3SC；
如果有耐心读到这里的话，就关注一下公众号吧：）
参考
- The 1st International Workshop on Deep Learning Practice for High-Dimensional Sparse Data with KDD 2019 (DLP-KDD 2019）
全文完
User Behavior UnderstandingRepresentation Learning for High-dimensional Sparse DataEmbedding techniquesAuto feature selectionScalable, Distributed and Parallel Training System for Deep LearningAnomaly detection参考
年中盘点！深度推荐系统与 CTR 预估 2019 年上半年值得精读的论文导读：本文是 “深度推荐系统” 专栏的第七篇文章，这个系列将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。本文主要总结一下深度推荐系统与 CTR 预估 2019 年值得精读的论文。
欢迎转载，转载请注明出处以及链接，更多关于深度推荐系统优质内容请关注如下频道。
知乎专栏：深度推荐系统
微博：深度传送门
公众号：深度传送门
微博上近日流传一个段子，“2020 年曾是各大科幻片中遥远的未来，但是现在离这个遥远的未来也只有 6 个月时间了”。只是借此感慨一下 2019 年转瞬之间半年的时间已经过去了，目前深度学习火热朝天，深度学习在推荐系统和 CTR 预估工业界的论文也是一篇接着一篇良莠不齐。
接下来主要总结一下 2019 年上半年工业界深度推荐系统与 CTR 预估上值得精读的论文。个人整理难免遗漏，也欢迎各位同行朋友评论另外哪些想额外推荐精读的论文。
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；
论文：http://t.cn/EUus1wu；Keynote：http://t.cn/EJFyMBk；
位列首位的当属 Youtube 推荐强化学习的两篇论文。虽然强化学习目前在推荐系统和 CTR 预估领域工业界由于系统复杂、效果未有显著提升等众所周知的原因确实不够成熟也尚未大规模应用起来。但是 Youtube 推荐的这两篇论文从某种程度上让强化学习的应用方向变得更明确了一些，而且作者在 Industry Day 上也宣称线上实验效果显示这个是 YouTube 单个项目近两年来最大的 reward 增长，也从某种程度上会激发各大公司的研究者们继续跟进的兴趣。
这是第一篇论文，提出了一种 Top-K 的 Off-Policy 修正方案将 RL 中 Policy-Gradient 类算法得以应用在动作空间数以百万计的 Youtube 在线推荐系统中。
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；
论文：http://t.cn/AiKFHvYU；
这是 Youtube 推荐应用强化学习的第二弹，主要贡献是提出了一种名为 SLATEQ 的 Q-Learning 算法，优化推荐系统里面同时展示给用户多个 item 情况的长期收益 LTV（Long-term Value）, 将长期收益加入排序多目标中进行建模优化。重点在于与 baseline 使用的深度网络和输入特征都完全一样。
深度传送门：Youtube 推荐已经上线 RL 了，强化学习在推荐广告工业界大规模应用还远吗？zhuanlan.zhihu.com
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；
论文：http://t.cn/Ai0rIUd0；代码：http://t.cn/AiNGzCsY；解读：http://t.cn/AiOX38PL；
FaceBook 推荐最新论文，通过建模与系统协同设计提出一种 butterfly-shuffle 的机制来提升模型并行化，离线训练上在没有任何超参调优下收敛速度与准确率优于 DCN，并开源了代码。
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；
论文：http://t.cn/AipAFS3p；
华为 at WWW 2019，提出基于卷积神经网络的 CTR 特征生成方法 FGCNN，包含特征生成和深度分类器两部分，可以和任意 CTR 预估模型进行组合。
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；
论文：http://t.cn/Ai0jTY68；代码：http://t.cn/Ai0jTY6u；
阿里 at KDD 2019，提出 DSTN 模型用于点击率 CTR 预估，考虑更多空域与时域的辅助信息包括上下文展示过的 ad 以及历史点击 / 未点击 ad 来更好地预测目标 item 的点击率。从论文实验数据看，效果大幅度超过 DeepFM 和 GRU，并开源了代码。
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；
论文：http://t.cn/AipG8aXz；代码：http://t.cn/EI8Pnso；
最新的深度 CTR 预估模型 AutoInt，通过过 Multi-head 注意力机制将特征投射到多个子空间中，并在不同的子空间中捕获不同的特征组合形式，效果超过 xDeepFM 等达到最好。
7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent
作者：Yudan Liu, Kaikai Ge, Xu Zhang, Leyu Lin
论文：http://t.cn/AiOaAg1Q；解读：http://t.cn/AiOaAg1E；
腾讯 at KDD2019，微信看一看团队对传统 Look-alike 进行了改造，提出实时 Look-alike 算法 RALM，解决推荐系统多样性问题，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；
论文：http://t.cn/AiN5T8Ks；TDM 论文：http://t.cn/RQ5MrSg；
还记得阿里 at KDD 2018 的深度树匹配召回模型 TDM 吗？升级版 JTM 提出索引与模型同时优化的方案，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
论文：http://t.cn/Ai09Dxkd；解读：http://t.cn/Ai09DxkB；数据资源：http://t.cn/Ai09Dxkr；
腾讯 at KDD2019，构建了 ConcepT 概念挖掘标记系统，利用 query 搜索点击日志从用户视角提取不同的概念，以提高对短文本（query）和长文章（document）的理解，从而推动推荐，搜索等业务的提升。实验证明，ConcepT 在 QQ 浏览器信息流业务中性能优异，曝光效率相对提升 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；
论文：http://t.cn/AiN9QZnV；代码：http://t.cn/AiN9QZnV；
阿里 at IJCAI2019，考虑到不同用户行为序列的 session 内行为同构与 session 之间行为异构的特性提出了基于 sesssion 的 CTR 预估模型 DSIN。使用 self-attention 机制抽取 session 内用户兴趣，使用 Bi-LSTM 针对用户跨 session 兴趣进行建模。
11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent
作者：Fuxing Hong, Dongbo Huang, Ge Chen；
论文：http://t.cn/Ai0WHak5；代码：http://t.cn/Ai0WHakt；
腾讯 at AAAI2019，提出 IFM 通过特征以及特征组不同角度灵活学习特征间交互的重要性，并提出了通用的 Interation-NN 框架和 DeepIFM 来捕捉高阶交互，效果优于 DeepFM 并开源了代码。
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
论文：http://t.cn/AiOao6I4；解读：http://t.cn/AiOao6I4；
阿里天猫提出 MIND 模型通过 Dynamic Routing 的方法从用户行为和用户属性信息中动态学习出多个表示用户兴趣的向量，更好的捕捉用户的多样兴趣，来提升召回的丰富度和准确度，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；
论文：http://t.cn/AiN4s4oe；
阿里 at KDD2019，通过系统设计解决用户超长行为历史下 CTR 建模与在线预测性能瓶颈，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，Fangzhao Wu，Chuhan Wu，Kun Zhang，Zheng Liu，Xing Xie；
论文：http://t.cn/Ai029G81；
微软 at ACL 2019，LSTUR 用于在新闻推荐任务中同时学习用户长期和短期的兴趣表示。模型的整体结构可分为新闻编码器、用户长期兴趣和短期兴趣模型、以及候选新闻的个性化分数预测模型，效果好于 GRU4Rec。
15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019
作者：Chen Ma, Peng Kang, Xue Liu；
论文：http://t.cn/AipuFYkG；代码：http://t.cn/AipuFYkb；
KDD2019，HGN 提出通过 feature 与 instance gating 的多层级结构结合 BPR 来更好的捕获用户的长短期兴趣，效果好于 GRU4Rec 以及 NextItRec。
16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, Alibaba
作者：Qiwei Chen, Huan Zhao, Wei Li, Pipei Huang, Wenwu Ou
论文：http://t.cn/Ai9JgWoJ；解读：http://t.cn/AiKBda4q
阿里巴巴搜索推荐事业部的新研究，首次使用强大的 Transformer 模型捕获用户行为序列的序列信号，供电子商务场景的推荐系统使用。原有 DIN 提出使用注意力机制来捕获候选项与用户先前点击商品之间的相似性，但未考虑用户行为序列背后的序列性质。离线实验和在线 A/B 测试表明，BST 与现有方法相比有明显优势。目前 BST 已经部署在淘宝推荐的 rank 阶段，每天为数亿消费者提供推荐服务 [2]。
17. Operation-aware Neural Networks for User Response Prediction
作者：Yi Yang, Baile Xu, Furao Shen, Jian Zhao；
论文：http://t.cn/AiO2Dp5k；代码：http://t.cn/Ev4H3Jm；
深度 CTR 预估新积木：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；
论文：http://t.cn/AiNqPitA；
Transformer 引入推荐系统工业界，利用用户历史点击序列预测下一个点击 item，效果超过 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；
论文：A Capsule Network for Recommendation and Explaining What You Like and Dislike；
阿里 at SIGIR2019，胶囊神经网络应用于推荐提出 CARP 模型来从评论中更好地建模用户对商品的喜好程度，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；
论文：http://t.cn/Ai0jcGIZ；代码：http://t.cn/Ai0jcGIw；
阿里 at IJCAI2019，提出 DeepMCP 模型通过匹配、关联、预测三个子模块更好地建模用户 - ad，ad 之间以及特征 - CTR 关系，效果优于 DeepFM 并开源了代码。
如果有耐心读到这里的话，就关注一下公众号吧：）
参考文献
1. Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM 2019, Google
2. Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology, IJCAI 2019, Google
3. Deep Learning Recommendation Model for Personalization and Recommendation Systems
4. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW 2019, Huawei
5. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD 2019, Alibaba
6. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks
7. Real-time Attention Based Look-alike Model for Recommender System, KDD 2019, Tencent
8. Joint Optimization of Tree-based Index and Deep Model for Recommender Systems
9. A User-Centered Concept Mining System for Query and Document Understanding at Tencent, KDD 2019, Tencent
10. Deep Session Interest Network for Click-Through Rate Prediction, IJCAI 2019, Alibaba
11. Interaction-aware Factorization Machines for Recommender Systems, AAAI2019, Tencent
12. Multi-Interest Network with Dynamic Routing for Recommendation at Tmall
13. Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction, KDD 2019, Alibaba
14. Neural News Recommendation with Long- and Short-term User Representations, ACL 2019, Microsoft
15. Hierarchical Gating Networks for Sequential Recommendation, KDD 2019
16. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba
17. Operation-aware Neural Networks for User Response Prediction
18. BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, Alibaba
19. A Capsule Network for Recommendation and Explaining What You Like and Dislike, SIGIR2019, Alibaba
20. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI 2019, Alibaba
请问，”Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, KDD 2019, Alibaba“这篇文章是否发表在 KDD'2019 会议上？为什么没有看到 KDD 官方的版本~
谢谢提醒，应该是整理的时候弄错了，目前只在 arxiv 上出现。
短文
您好，请问您知乎专栏的文章能否授权我们转载到 InfoQ 官网？我们会注明出处和原文链接。谢谢！
欢迎转载
全文完