ACM旗下的RecSys会议(ACM Conference on Recommender Systems)是推荐系统研究领域的顶级学术会议。该会议除了每年汇集推荐系统研究领域中的最新研究成果、系统和技术外,还举办RecSys挑战赛(RecSys Challenge)。来自中国的多个团队曾在RecSys挑战赛中获得过包括第一名在内的多项优胜成绩。
RecSys挑战赛一般在每年三月公布当年的赛事安排。今年的RecSys挑战赛已于四月初开赛,六月底落下帷幕。明年的RecSys挑战赛尚未公布赛题和赛事信息。
RecSys挑战赛的官网是:
https://www.recsyschallenge.com
RecSys挑战赛多年来每年出一个赛题,竞赛可以远程参加,每年都设有奖金。
RecSys挑战赛对于参赛论文的要求近年来变化不大,其中的部分要求包括:
- 获得奖金的参赛团队必须提交参赛论文;
- 未获得奖金的参赛团队如果参赛方案具备非常有效、新颖、有趣等条件,可以提交参赛论文;
- 被录用的参赛论文必须有至少一位作者到会宣讲论文。
赛题简介
RecSys挑战赛都赛些什么呢?
2026年的RecSys挑战赛要求基于网络音乐用户的特征(年龄段、性别和国别)、以及用户在网络音乐平台上的多轮会话内容(可能涉及音乐名称、音乐声音的描述、音乐专辑封面的描述、音乐情感的描述、用户已播放过的音乐等),动态检索多模态音乐库,伴随用户的多轮会话,产生多轮Top 20音乐推荐,并为每轮推荐生成原因解释[1]。
2025年的RecSys挑战赛基于以下的背景:很多推荐模型依托特定方面的数据集来支持特定的推荐功能,例如依托产品信息+顾客浏览信息+顾客购买信息等,来支持商品推荐功能;如果需要其它的推荐功能(例如网页推荐功能),就需要依靠其它的数据集来构建另外的推荐模型[2]。
该次RecSys挑战赛关注的核心问题是:能否实现一个具有较广泛推荐能力、并对未见过的推荐场景也具有泛化的推荐能力的系统?
该次RecSys挑战赛为参赛者提供了一个新的大型行为数据集(其中包含用户网上购物、浏览、搜索等数据),要求参赛者基于该数据集,提交一份用户Embeddings数据。所提交的用户Embeddings数据在评测时被输入至多种神经网络,然后基于这些神经网络,在多种已见过和未见过的推荐场景中输出推荐;多种推荐场景包括用户流失(Churn)预测、商品推荐等。评测最终考核多种推荐场景中的总体推荐效果[2]。
2024年的RecSys挑战赛聚焦新闻推荐——根据网络新闻读者的新闻浏览历史、个人信息(性别、年龄)、新闻网站的Session细节、以及读者偏好等,从若干备选新闻文章中推荐出最可能被阅读的新闻文章[3]。
2023年的RecSys挑战赛聚焦印度社交平台ShareChat的广告转化问题,要求根据该社交平台上的用户数据(年龄、性别、地理位置)、用户在平台上的内容消费历史、用户在平台上与广告的互动历史、广告特征等数据,预测某个广告展示是否会带来转化(即安装某个App)[4]。
2022年的RecSys挑战赛要求根据时装电商网站的Session数据(数据中包括用户在Session中所浏览过的时装商品)、时装商品的信息、以及用户的历史购买记录,预测用户在Session后期最可能购买的时装商品[5]。多种因素使得此次基于Session数据的预测富有挑战性:
- Session数据中较大比例的用户是新用户;
- 较大比例的Session数据仅包含少量数据;
- 用户对不同时装商品的偏好可能变化较快。
2021年和2020年的RecSys挑战赛均涉及美国社交平台Twitter的用户行为预测——对于一条推文,预测用户是否会点赞、回复、转发或引用。两届挑战赛的赛题及所采用的数据集有所不同[6][7]。
更早期(2014年-2019年)的RecSys挑战赛涉及工作推荐[8]、旅行住宿推荐[9]等任务。
参考文献
[1] Overview and Analysis of the RecSys Challenge 2026: Conversational Music Recommendation
https://doi.org/10.1145/3842413.3842414
使用许可协议:CC BY 4.0
https://creativecommons.org/licenses/by/4.0/
[2] The SYNERISE dataset: An E-Commerce Dataset for Sequential Recommendation, Universal Behavior Modeling and Deep Relational Learning
https://doi.org/10.1145/3758126.3758188
使用许可协议:CC BY 4.0
https://creativecommons.org/licenses/by/4.0/
[3] EB-NeRD a large-scale dataset for news recommendation
https://doi.org/10.1145/3687151.3687152
使用许可协议:CC BY 4.0
https://creativecommons.org/licenses/by/4.0/
[4] RecSys Challenge 2023 Dataset: Ads Recommendations in Online Advertising
https://doi.org/10.1145/3626221.3627283
[5] Industrial Solution in Fashion-domain Recommendation by an Efficient Pipeline using GNN and Lightgbm
https://doi.org/10.1145/3556702.3556850
[6] The 2021 RecSys Challenge Dataset: Fairness is not optional
https://doi.org/10.1145/3487572.3487573
[7] GPU Accelerated Feature Engineering and Training for Recommender Systems
https://doi.org/10.1145/3415959.3415996
[8] RecSys Challenge 2017: Offline and Online Evaluation
https://doi.org/10.1145/3109859.3109954
[9] RecSys Challenge 2019: Session-Based Hotel Recommendations
https://doi.org/10.1145/3298689.3346974