看了SIGIR2018所有录用长论文的摘要，大概30多篇。将感兴趣的研究主题总结如下：
1、时间因素对推荐的影响
论文主要研究：一是用户长期行为和短期行为的建模，即在考虑时间因素条件下对用户的行为特征进行建模。二是长期行为和短期行为对推荐结果影响的建模，到底长短期行为该如何去影响用户当下的推荐结果。三是时间对side information的影响，例如时间对社交关系，涉及side information动态建模。
2、具体应用领域的推荐问题
在不同的应用领域，研究适应性的推荐问题。
一是mention recommendation，在社交媒体中@行为的推荐
二是URL recommendation，在输入网址时的推荐
三是squential recommendation，序列推荐，推荐的结果是一个具有时间顺序的序列
四是stream recommendation，流推荐，基于动态、实时的流数据进行即时推荐
五是trajectory recommenation（轨迹推荐）、Route recommendation等POI推荐
六是cross-language citation recommendation（跨语言推荐）
七是group recommendation，组推荐
八是explainable recommendation，可解释推荐
九是convesational recommender system，对话式推荐
3、深度学习等新技术与推荐算法的结合
将深度学习、知识图谱等新的技术，应用到传统推荐算法。
一是基于知识图谱的推荐技术，考虑将知识图谱中的先验知识（三元组）关系作为推荐所需的side information。这个点是一个热点，在KDD、ICDE、CIKM等会议论文上，也看到过这种做法。可能涉及的问题有：推荐中实体和知识图谱中实体的对应、以及相应关系的抽取，知识图谱的embedding，三元组对推荐作用机制的建模等。
二是深度学习和传统推荐算法的融合，例如神经协同过滤等。其中attention network（注意力网络）、memory network（记忆网络）是热点。
看完论文摘要后的感受是：
1、推荐仍是热点，无论IR还是KDD，都有大量相关论文。其背后原因，可能包括巨大的商业利益，同时推荐也是数据挖掘、自然语言处理等技术的一个应用场景。
2、知识图谱和深度学习是热点，主要用于对原有推荐算法的改进。感觉只要这两个技术领域有新的成果出现，立刻就会有相应的推荐领域的成果出现。这部分的重点可能包括：一是知识图谱的三元组关系如何嵌入到推荐中去，也就是说知识图谱中包含的先验知识该如何应用到推荐。二是深度学习和现有推荐算法的结合，形成的新的改进算法，同时很多人致力于研究无监督类的方法，减少深度学习类算法对标签样本的依赖。三是图论为基础的网络方面的研究也是热点，尤其对于知识图谱的挖掘，异构信息网络等等。
3、实际需求很重要。轨迹推荐、跨语言文献引用推荐等领域，都是强烈的现实需求催生的子领域。所以对于推荐系统来说，方法层面有时候越做越难，依赖于其他领域的突破。但如果从现实中去挖掘新的需求，也许也能开辟出新的研究点，甚至引领出新的方法。
接下来需要将感兴趣的几篇论文进行详读。
