深度学习在推荐系统中的应用

深度学习在推荐系统中的应用

方向一：

Predict，最常见的比如Wide&Deep做CTR 预估，这里不一定指的是点击率，也可以把视频是否看完，用户是否转发收藏作为c。深模型(DL)和宽模型(ML)，由逻辑回归作为最终输出单元，深模型最后一个隐藏层作为特征接入逻辑回归，宽模型的原始特征与之一起接入逻辑回归，然后训练参数。相当于用深模型做了一部分特征组合，缓解了单纯用LR带来的巨大特征工程工作量。这个模型适合高维稀疏特征的推荐场景，稀疏特征的可解释性加上深度模型的泛化性能，双剑合璧。

方向二：

Embedding。Word2vec 就是典型，可以更加高效且真实地反映出事物本身的样子。就像用户偏好和物品主题提取。得到的隐因子还含有相似度信息，可以通过点积得到用户的预测评分。嵌入层的基本思想是希望能够把离散信息转换成为连续信息，并且这些连续信息携带着相似度信息。两边的嵌入层拼接在一起，输入多层神经网络进行变换，最后输出我们对评分的预测。

ML是用矩阵分解做的，其实矩阵分解可以把它视为一个只有单个隐藏层的神经网络。得到的隐因子向量就是神经网络的连接权重参数。深度学习可以帮助推荐系统的地方。第一个叫做 Embedding嵌入，Word2vec 就是典型，可以更加高效且真实地反映出事物本身的样子。就像用户偏好和物品主题提取。得到的隐因子还含有相似度信息，可以通过点积得到用户的预测评分。