Balazs Hidasi

概述

匈牙利研究者，Gravity R&D 团队成员，GRU4Rec 论文第一作者，首次将门控循环单元（GRU）引入会话推荐场景，开创了深度学习在序列推荐领域的先河。

关键内容

1. 代表工作：GRU4Rec — "Session-based Recommendations with Recurrent Neural Networks"（ICLR 2016），第一作者。该论文累计被引用超过 4000 次（截至2025年），是推荐系统领域引用量最高的论文之一。

2. 核心贡献：

3. 首次将深度 RNN（GRU）应用于会话推荐场景
4. 提出 Session-Parallel Mini-Batch 训练策略，解决 RNN 处理长短不一序列的效率问题
5. 提出 TOP1 Loss，将排序洞察转化为可操作的训练目标

6. 证明了在会话推荐场景下 GRU > LSTM > 标准 RNN 的实证结论

7. 后续工作：GRU4Rec v2（CIKM 2018），与团队成员共同提出 BPR-max 和 TOP1-max 损失函数，将性能提升 35%。

8. 开源贡献：维护 GRU4Rec 的官方代码仓库（Theano 实现和 PyTorch 官方实现），为后续研究者提供了可复现的基线。

9. 机构背景：Gravity R&D（匈牙利），与 Telefonica Research（西班牙）合作完成 GRU4Rec 研究。

来源

• GRU4Rec 原始论文 (arXiv)
• GRU4Rec 官方代码

相关

• GRU4Rec — 第一作者的开创性工作
• Alexandros Karatzoglou — 合作作者