KDD 2019 有不少 RS 的文章是围绕 Ratings and Reviews Information 进行的，这两种内容慢慢加入 RS 的考虑当中，以获得更好的稳定性和动态性能。依然有少数的文章在讨论 RS 的鲁棒性。

更多的 RS 开始使用深度模型，比如 Deep Q-learning 或者 DNN 之类，以获得更好的随时间增加的准确性。也有文章讨论冷启动的问题，不过还是少部分。

大多数 RS 的文章集中解决在一个特定环境下的 Recommendation 问题，比如道路推荐或者是购物推荐，考虑多种多样的现实情况，其中 Rating 情况被考虑的比较多，较多相关文章都讨论到了 TOP Rating 方法和 List-wise Rating 的方法差距，这个内容在下面的 Reviewing 中也有体现。

总之，仅在 RS 方面进行的讨论还是相对集中，其中解决的问题也有一定的共通性，想要了解更多情况可以阅读文章或者浏览下方的 Review。

这里的 Review 遵循着这样的结构进行书写：

• 每篇文章会有首页进行文章信息的描述，方便读者找到相应的原文；
• 紧接着文章信息描述页，会有一段文字概括 Abstract，便于大致了解文章工作内容；
• 介绍文章方法背景；
• 介绍文章方法具体的模型结构；
• 介绍文章进行的试验和实验结果，以了解文章提出的模型性能。

详细内容请参考 PDF，对其有任何问题欢迎指出。

[PDF - 2019 KDD Recommender System Papers Review](https://github.com/chuanbohua/note/blob/master/KDD 2019/publications_ review_kdd_2019_recommender_system.pdf)