基于深度学习的推荐系统

其实这篇文章读了很久了，不过一直没时间作总结。总算考完试了，再重新看一下~~

这篇文章最开始来源于在微信公众号“机器之心”中无意中看到的论文：Deep Learing based Recommender System：A Survey and New Perspectives

ACMJ.Comput.Cult.Herit.,Vol.1,No.1,Article35.Publication date:July 2017.

推荐系统：用来预测使用者对于他们还没有见到或了解的事物的喜好。由于网络信息的复杂性和动态性，推荐系统成为解决信息过载问题的有效途径。

深度学习：是通过组合低层的特征，形成更加抽象的高层表示属性或特征，以发现数据的分布式特征表示。目前已应用于语音识别、图像处理、自然语言处理等诸多方面。同时，目前的研究已经证明其可以用于检索和推荐任务中。

将深度学习应用于推荐系统中，由于其最先进的性能和高质量的建议，正在得到发展。与传统的推荐模式相比，深度学习可以更好地理解用户的需求，项目的特点以及它们之间的历史交互。

1.1 我们为什么要关心基于深度学习的推荐系统？

推荐系统是工业领域的重要组成部分。这是一个重要的工具，可以为许多在线网站和移动应用程序提供销售和服务。 例如，Netflix观看的电影中有80％来自推荐，60％的视频点击来自YouTube的主页推荐。最近，许多公司诉诸深度学习，以进一步提高他们的推荐质量。 提出了一种基于深度神经网络的YouTube视频推荐推荐算法。Cheng等人为Google Play提供了一个广泛和深度的App推荐系统。
Shumpei等人 为雅虎新闻推出了基于RNN的新闻推荐系统。 所有这些模型都经受了在线测试，并且比传统模型显示出显着的改进。因此，我们可以看到，深度学习推动了工业推荐应用领域的一场革命。

另一个明显的变化在于研究领域。基于深度学习的推荐方法的研究出版物数量在这几年呈指数增长。 领先的推荐系统国际会议RecSys自2016年起开始举办定期的推荐系统深度学习研讨会。该研讨会旨在促进研究和鼓励基于深度学习的推荐系统的应用。
在学术界和工业界推荐深度学习的成功需要对后续的研究人员和从业者进行全面的回顾和总结，以便更好地了解这些模型的优缺点和应用场景。

1.2 本文所做的贡献

本次调查的目的是深入研究基于深度学习的推荐系统的研究进展。它提供了一个全景，读者可以快速理解，并进入深度学习为基础的推荐领域。 本次调查为推进系统领域的创新奠定了基础，挖掘了本研究领域的丰富性。这项调查服务于对推荐系统感兴趣的研究人员，从业人员和教育工作者，特别强调基于深度学习的推荐系统。 这次调查的主要贡献有三个：

1.我们对基于深度学习技术的推荐模型进行了系统的回顾，并提出了新的分类方案来定位和组织当前的作品;

2.我们提供了最先进的研究概述，并总结了它们的优点和局限性。
专业人员可以轻松找到特定问题的模型或解决未解决的问题;

3.讨论了挑战和公开性问题，明确本研究领域的新趋势和未来发展方向，拓展深度学习型推荐系统研究的视野。

2.深度学习技术

MLP：多层感知机   AE:自编码网络   CNN：卷积神经网络   RNN：循环神经网络   DSSM：深层语义相似性模型   RBM：基于受限的玻尔兹曼机   NADE：神经自回归分布估计   GAN：生成式对抗网络

3.1 定性分析

（a）说明了2007年以来的年度出版物数量。这一数字在过去五年呈指数增长。根据表2，我们发现基于AE，RNN，CNN和MLP的推荐系统已被广泛研究，其次是深度复合模型，RBM和DSSM模型。 最近的研究试图将GAN和NADE用于推荐任务。

（c）和（d）列出了评审作品中使用的数据集和评价指标。两个电影推荐数据集：Movielens和Netflix仍然是最常用的数据集。 其他数据集如Amazon，Yelp和CiteUlike也经常被采用。对于评估指标，通常采用均方根误差（RMSE）和均值平均误差（MAE）进行评级预测评估，常常采用召回率，精确度，归一化贴现累积增益（NDCG,是用来衡量排序质量的指标）和曲线下面积（AUC,是一种用来度量分类模型好坏的一个标准）评估排名分数。 精度，召回率和F1分数被广泛用于分类结果评估。

先看到这里~~