本文来自“深度推荐系统”专栏，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。本文主要根据RecSys 2019中论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches》总结最近三年四大顶会深度推荐系统上的18个最新算法。
今年RecSys 2019上出现的一篇极具批判性的论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches》。灵魂一问深度学习是否在推荐系统已经取得了足够可信的进展？在知乎上也引起了激烈的讨论：如何看待RecSys 2019上的一篇文章认为现有DNN-based推荐算法带来的基本上都是伪提升？
作者总结了过去三年四大顶会（KDD、SIGIR、WWW和RecSys）推荐系统上18个最新算法，只有7个能重现效果，而且在不同的测试数据集上它们与浅层经典方法效果对比中经常都败下阵来，并开源了评估代码与数据集。
抛开论文中提到到目前推荐系统众所周知的因为评估数据集、评估指标、以及baseline调参等问题不一致导致诸多论文算法在性能可复现上存在的诸多问题，作为产业界的算法工程师来说更多的是需要从最新的顶会工作中开拓视野、吸取不同的思路，来确定工业界线上系统中的下一步的迭代方向。不管黑猫白猫，只要应用在线上系统有确切实际效果的工作就是好工作。
1. Collaborative Memory Network for Recommendation Systems
作者：Travis Ebesu, Bin Shen, Yi Fang；
论文：t.cn/AiRbpFAR；代码：t.cn/EPRooTK；