论文阅读：Deep Learning based Recommender System A Survey and New Perspectives

论文名字	Deep Learning based Recommender System A Survey and New Perspectives
来源	期刊 ACM Computing Surveys
年份	2017-2019 （现在version 7）
作者	SHUAI ZHANG, LINA YAO, AIXIN SUN, YI TAY
核心点	深度学习与推荐算法的综述
阅读日期	2021.3.9
影响因子
页数	35
引用数
引用	Zhang S , Yao L , Sun A , et al. Deep Learning Based Recommender System: A Survey and New Perspectives[J]. ACM Computing Surveys, 2017.
内容总结
文章的主要工作： 深度学习与推荐算法的综述 文章内容： 1、根据输入数据的类型，推荐模型主要分为协同过滤、基于内容的推荐系统和混合推荐系统[1] 2、[27]在YouTube上提出了一种基于深度学习神经网络的视频推荐算法；[20]提出了一种适用于Google play的应用推荐系统wide & deep models；[113]为雅虎新闻提供了一个基于RNN的新闻推荐系统 3、[138]对协同过滤技术进行了系统综述；[8]提出了一个关于混合推荐系统的综述 4、[7]介绍了[123,153,159]三个作品在这个研究领域都很有影响力。[97]综述了13篇关于深度学习的论文，提出了基于输入形式(使用内容信息的方法和不使用内容信息的方法)和输出形式(评分和排名)对这些模型进行分类的建议。 5、[8,69]混合模型是指集成两种或多种推荐策略的推荐系统 6、类似地，会话或点击日志的顺序结构非常适合由递归/卷积模型提供的归纳偏差[56，143，175]。 7、当处理文本数据时(评论[202]，推文[44]等)。 8、为了处理评论，必须执行昂贵的预处理(例如，关键短语抽取、主题建模等)。)而更新的基于深度学习的方法能够端到端地摄取所有文本信息[202]。 9、CNNs[25, 49, 50, 75, 76, 98, 105, 127, 130, 153, 165, 172, 202, 206],[6, 44, 51, 83, 110, 126, 143, 148, 169, 190, 191] 10、在图像方面的推荐算法[2, 14, 25, 49, 50, 84, 98, 105, 112, 165, 172, 179, 191, 192, 197, 206] 11、在视频方面的[14, 17, 27, 83] 12、文本方面：（1）Hash Tags，[44, 110, 118, 158, 182, 183, 193, 209]；（2）News，[10, 12, 113, 135, 169, 200]；（3）Review texts，[11, 87, 126, 146, 174, 197, 202]；（4）Qotes，[82, 141]         附录：     参考文献：