推荐系统+深度学习综述

1  引言

信息大爆炸带来“信息过载”，解决信息过载可以用推荐。

推荐就是挖掘海量信息中有用信息给用户，包括协同过滤、基于内容过滤、和混合过滤。

协同过滤，如矩阵因子分解，应用最广泛，但有数据稀疏和冷启动（探索）等问题。但是可能特征提取不好（1），且应用场景变复杂了（多模态、数据异构、大规模、数据稀疏、分布不均匀）（1）

解决上述两个问题的话，深度学习就可以来做，即可提取好特征，又可以将不同数据映射到同一个隐空间中处理。缓解数据稀疏和冷启动问题。一个深度学习工具，解决好4个问题。

1   信息大爆炸还能带来什么问题？   解决信息过载还可以用什么方法？（除了推荐，那就是注意力或者精简化）

2  还有什么工具可以解决特征提取不好的或者应用场景复杂的情况或者数据稀疏或者冷启动问题？

3 

2  传统推荐系统

核心在推荐算法，其形式化定义为

 

推荐系统包含三块协同过滤、基于内容过滤、和混合过滤。

基于内容推荐，就是属于item-item类型的。依据用户对item的所有接触情况学习用户偏好，这样有了新item，就需要抽取该新item特征，然后和之前的对比即可。

协同过滤发现相似用户有相似爱好的情况，有基于启发式的，也有基于模型的。

混合推荐包括：前、中，后融合推荐。

其应用场景也是大量发展：有推荐系统内容多样化（视频、等），有基于社交网络推荐、还有群组用户推荐，还有基于位置推荐，主要集中在推荐内容、推荐方法、推荐对象各个方面各种发展。

 

3 深度学习技术

自编码器在推荐系统中应用于学习用户和项目的隐层特征，

BM用于对未知item的评分预测。

DBN用于在一维数据上比较有效，因此被用于提取音乐的特征表示。

卷积用于提取各种text、image，video的特征

循环建模数据之间序列影响，

 

4 基于深度学习的推荐系统

上图就是一个基本表示了

4.1  MLP+推荐系统

结合MLP的非线性建模功能做推荐

Neural Collaborative Filtering

很自然的结合用户特征以及商品特征共同输入到MLP中，进行预测。【37】和【53】工作。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

严重依赖于从内容中抽取特征到隐空间中，然后计算相似度。（我们必须要把各种信息变成数字然后计算。。。。）

简而言之：深度学习能够解决那4个问题，但是并不能解决为用户发现新的感兴趣的资源，只能够发现与用户以有兴趣相似的资源

 

 

 

推荐系统+深度学习（改进方向）

1  深度学习与现有推荐方法的结合

2  基于深度学习的跨领域信息融合的推荐

3  注意力机制和深度学习结合

4  新的深度学习架构

5  基于深度学习的推荐系统的可解释性

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

参考资料：

 

https://www.bilibili.com/video/BV1Sf4y1y7Vb?from=search&seid=5910253173285974306

何向南- 图神经网络在推荐系统的前沿研究

Deep Learning based Recommender System: A Survey and New Perspectives

基于深度学习的推荐系统研究综述