发布
帮助
关闭
推荐系统组队学习
推荐系统(RS)
本质
简介
分类
DL方法
未来发展方向
推荐系统(RS)
本质
是实现商品利益最大化的一种工具
作为一种信息过滤系统,用于预测用户对商品的“评分”或者“偏好”
简介
主要是指应用协同智能(collaborative intelligence)做推荐的技术
个性化推荐系统可以有效解决信息过载问题,可以根据用户历史偏好和约束为用户提供排序的个性化物品
分类
协同过滤(仅使用用户与商品的交互信息生成推荐)系统、基于内容(利用用户偏好和/或商品偏好)的系统和混合推荐模型(使用交互信息、用户和商品的元数据)。这些类别中的模型都有局限性,如数据稀疏性、用户和商品的冷启动。推荐系统的两大主流类型就是上文提到的①基于内容的推荐系统和②协同过滤(Collaborative Filtering)。协同过滤方法根据用户历史行为(例如其购买的、选择的、评价过的物品等)结合其他用户的相似决策建立模型。这种模型可用于预测用户对哪些物品可能感兴趣(或用户对物品的感兴趣程度)。基于内容推荐利用一些列有关物品的离散特征,推荐出具有类似性质的相似物品。目前,协同过滤技术已成为最广泛采用的推荐技术,已经被广泛应用到了很多商业系统中,比较著名的有Amazon、Netflix、淘宝等。
另一方面,随着深度学习应用的爆发式发展,特别是在计算机视觉、自然语言处理和语音方面的进展,基于深度学习的推荐系统越来越引发大家的关注。循环神经网络(RNN)理论上能够有效地对用户偏好和物品属性的动态性进行建模,基于当前的趋势,预测未来的行为。
DL方法
用于推荐系统的深度学习方法可以分为:
基于多层感知机(Multilayers Perception)的推荐系统;
基于自编码器(Autoencoders)的推荐系统——将自编码器应用于推荐系统一般有两种常用方式:(1)使用自编码器在瓶颈层(bottleneck layer)来学习低维度特征表征;或者(2)直接在重构层填充评分矩阵的空白处;
基于卷积神经网络(CNN)的推荐系统:此种系统中的卷积神经网络大多是用于特征提取(feature extraction)的;
基于循环神经网络(RNN)的推荐系统:循环神经网络特别适用于处理推荐系统中的评级和序列特征的时序动态;
基于深度语义相似性模型(Deep Semantic Similarity Model)的推荐系统:深度语义相似性模型(DSSM)是一种广泛应用于信息检索领域的深度神经网络。它非常适用于排行榜(top-n)推荐。基础型DSSM由MLP组成,更高级的神经层比如卷积层和最大池化(max-pooling)层可以被很容易地添加进去;
基于受限玻尔兹曼机(Restricted Boltzmann machine)的推荐系统;
用于推荐系统的深度复合网络(Deep composite models)
未来发展方向
可能会出现更类似人类的推荐,就像是身边的朋友给出的建议一样。
推荐系统的应用将快速扩散到很多领域。
理想的情况是一个360°全方位的推荐系统:推荐不限于单个领域,而是可以整合一个人的方方面面,从而给出跨领域的更有帮助/更有意义的推荐。
涵盖更多领域的、更多的公开数据集,能够有益于在同样的基准上进行比较学习的研究。
能够与用户有更多互动的推荐平台,使得评估推荐系统能够在近真实环境中的进行性能改进。
在其他领域创造公开数据集,例如学术作者-文章数据集、在线零售数据集、包含用户-推荐条目的交互信息以及有关用户。