最佳长论文

RecSys 2018 的最佳长论文（Best Long Paper Award）由 Criteo 人工智能实验室的 Stephen Bonner 和 Flavian Vasile 获得。他们提出因果嵌入的推荐方法。

最佳长论文：Causal Embeddings for Recommendation

论文链接：http://www.zhuanzhi.ai/paper/f85a6456c9f08b6584ca62c05279147d

许多当前的应用程序使用推荐来影响自然用户行为，例如增加销售数量或在网站上花费的时间。这导致最终推荐目标与经典设置之间的差距，其中推荐候选者的效果是通过其与过去用户行为的一致性来评估完成的，通过预测用户项矩阵中的缺失条目或最可能的下一事件来实现。为了弥补这一差距，我们优化了推荐策略，以便针对有机用户行为增加预期结果。我们证明这相当于学习在完全随机推荐策略下预测推荐结果。为此，我们提出了一种新的领域自适应算法，该算法从包含偏向推荐策略结果的记录数据中学习，并根据随机暴露预测推荐结果。我们将提出的方法与最先进的因子分解方法以及新的因果推荐方法进行比较，实验结果显示出显著的效果提升。

此外，另一篇论文获得 Best Long Paper Runner-up：

标题：Generation Meets Recommendation: Proposing Novel Items for Groups of Users
作者：T.V. Vo, H. Soh

论文地址：https://doi.org/10.1145/3240323.3240357

最佳短论文

RecSys 2018 的最佳短论文（Best Short Paper Award）由德国 Duisburg-Essen 大学的 Benedikt Loepp 等人获得。他们提出研究用户推荐评估中的物品消费的影响。

最佳短论文：Impact of Item Consumption on Assessment of Recommendations in User Studies

论文链接：https://doi.org/10.1145/3240323.3240375

在推荐系统的用户研究中，参与者通常不能消费推荐的物品。他们被要求通过问卷调查评估推荐质量和与用户体验相关的其他特性。然而，如果没有听过推荐的歌曲或看过建议的电影，这可能是一个容易出错的任务，可能会限制这些研究中获得的结果的有效性。在本文中，我们研究了实际消费推荐物品的效果。我们提出两个在不同领域进行的用户研究，在某些情况下表明，建议和问卷调查结果的评估存在差异。显然，在不允许用户使用物品的情况下，并不总是能够充分测量用户体验。另一方面，根据领域和提供的信息，参与者有时似乎相当接近推荐的实际价值。

此外，另一篇论文获得 Best Short Paper Runner-up：