深度学习技术在社会化推荐场景中的总结

   作者 | 小应同学

   方向 | 推荐系统
   学校 | 天津理工大学前言不知道大家有没有感觉，在日常生活中用到推荐一词的时候经常是用在社交场景中的。到一个地方旅游让朋友推荐一下旅游景点，学习某一项技术的时候让朋友推荐一些有什么书可以看。在众多推荐系统的方向中，我觉得社会化推荐这一分支更加符合现实生活中的情况。而自从深度学习技术在计算机视觉、自然语言处理中大放异彩，许多研究者也将深度学习技术运用到了社会化推荐领域中。本文主要围绕将深度学习技术应用到社会化推荐场景的主题进行阐述，先介绍了一些在社会化推荐系统中所常用的一些数据集，接着总结了几篇关于深度学习技术应用到社会化推荐的文章。值得注意的是 ，本文所选的论文都是在Github中有开源实现的，可以让读者有进一步的理解。社会化推荐中常用的数据集社会化推荐与传统的推荐任务不同，所需要的数据集不光需要用户与项目的评分信息，还需要用户与用户间的社会关系信息。常用的数据集如下:1. FilmTrust下载地址: https://github.com/guoguibing/librec/tree/3.0.0/data/filmtrust该数据集是2011年6月从FilmTrust网站上抓取的一个小型数据集。包含用户对电影的评分信息和用户间的社交信息。数据量较小，只有35497条评分数据。1853条社交数据。2. Epinions下载地址: http://www.trustlet.org/epinions.html该数据集规模较大，包含用户对电影的评分信息和用户间的社交信息。该数据集有两个版本，其中一个版本还包括了用户间的不信任关系信息。3. CiaoDVD下载地址: https://www.librec.net/datasets.html该数据集包含了用户对他们购买过的项目的评分和用户间的社交连接。4. Delicious下载地址: https://grouplens.org/datasets/hetrec-2011/此数据集包含来自Delicious社交书签系统的用户间的社交网络，书签和标签信息。5. Yelp下载地址: https://www.yelp.com/dataset该数据集规模较大，需要手动提取相关信息。0 前深度学习时代——社会化推荐的进化之路Recommender systems with social regularization, WSDM, 2011.在没有使用深度学习技术之前，早期的社会化推荐基于一个假设：一个用户的行为偏好与他的朋友应该是相似的，同时行为偏好相似的人更倾向于建立联系。2011年Hao Ma等人[1]提出的SoReg方法，使用了社交正则化项为学术研究提供了一个新的方向。在[1]中提出了两个模型，分别为基于平均的正则化(Average-based Regularization)和基于个体的正则化(Individual-based Regularization )。基于平均的正则化的函数如下:该函数假设每个用户的喜好都接近用户朋友的平