在信息泛滥的时代，如何快速高效地提取有价值的信息成为人们的头等大事，传统的推荐系统应运而生；并在多个领域取得了不俗的成绩[4]的深度学习也被应用到了推荐系统中，为后者注入了新的动力。机器之心编写的这篇论文对深度学习在推荐系统中的应用现状进行了全面的梳理，以期进一步推动推荐系统研究的进步；对于发现的新问题，论文还给出了可能的解决方案。原文链接：https://arxiv.org/pdf/1707.07435.pdf摘要：随着在线信息量、复杂性和动态性的不断增长，推荐系统成为解决这种信息过载的有效方案。问题的关键解决方案。近年来，深度学习的革命性进展在语音识别、图像分析和自然语言处理等领域引起了广泛关注。同时，最近的一些研究也说明了深度学习在处理信息检索和推荐任务方面的有效性。由于其最先进的性能和高质量的推荐结果，将深度学习应用于推荐系统已经获得了动力。与传统的推荐模型相比，深度学习可以更好地理解用户需求、物品特征以及它们之间的历史交互。本文旨在对最近推动推荐系统研究的基于深度学习的推荐方法进行综述。同时，提出了一种基于深度学习推荐模型的分类系统（taxonomy），对被调查的文章进行分类。在分析和回顾相关工作成果的基础上，我们确定了尚未解决的问题，并将讨论可能的解决方案。二维分类方法及定性分析：图1：基于深度学习的推荐系统分类的二维系统，左图为神经网络模型，右图为集成模型。图2：（a）使用的数据集；(b)使用的指标；(c)最具影响力的工作。表2：每年被引用超过10次的最具影响力的论文。应用领域：表3：针对特定应用领域的推荐模型。1、基于MultilayersPerception的推荐系统MultilayersPerception是一种简洁有效的模型。它广泛应用于许多领域，尤其是在工业领域。多层前馈网络使任意可测量函数能够接近任意期望的精度。它也是许多高级模型的基础。图3：（a）神经协同过滤；(b)CCCF网络；(c)广度和深度学习；(d)深度调频。2.基于自编码器的推荐系统自编码器应用于推荐系统一般有两种常见的方式：（1）使用自编码器在瓶颈层学习低维特征表示；或者（2）直接在重构层填充打分矩阵的空白处。图4：(a)I-AutoRec；(b)CFN；(c)自由贸易基金；(d)中国教育工程学院。表4：5个基于自动编码器的推荐模型的比较。图5：(a)协作深度学习（左）和协作深度排序（右）的图形模型；(b)深度协同过滤框架。3.基于卷积神经网络（CNN）的推荐系统本系统中的大部分卷积神经网络用于特征提取。图6：（a）基于注意力的CNN；(b)个性化CNN标签推荐；(c)DeepCoNN；（d）ConvMF。4.基于递归神经网络(RNN)的推荐系统RNN特别适用于处理推荐系统中评级和序列特征的时间动态。Figure7图7：（a）SessionRecommendationwithRNN；(b)PerfectSessionRecommendationwithRNN；(c)经常性推荐网络；(d)用于标签推荐的基于注意力的循环神经网络。5.基于深度语义相似模型的推荐系统深度语义相似模型（DSSM）是一种广泛应用于信息检索领域的深度神经网络。非常适合排行榜（top-n）推荐。基本的DSSM由MLP组成，并且可以轻松添加更高级的神经层，例如卷积层和最大池化层。图8：(a)基于深度语义相似度的个性化推荐；(b)多视图深度神经网络。6.RecommendationsystembasedonRestrictedBoltzmannmachine图9图9：(a)RBM-CF；(b)具有隐式反馈的条件RBM-CF；(c)基于用户和基于项目的RBM-CF；(d)混合RBM-CF。7.新兴方法：NADE和GANNADE提出了一种易于处理的方法来近似源数据的真实分布，并且可以在几个实验数据集中产生最好的推荐精度（与其他基于深度学习的推荐模型相比）。生成对抗网络（GAN）可以融合判别模型和生成模型，充分利用两者的优势。图10：（a）基于神经自回归的推荐系统；(b)伊尔甘。8.推荐系统的深度复合模型图11：现有的深度复合模型。Figure12图12：（a）CNN和RNN的引用推荐；(b)比较深度学习模型；(c)净替代疗法；(d)deepsemanticsimilaritymodel(DSSM)withCNN【本文为《机器之心》专栏原创文章，微信公众号“机器之心（id：almosthuman2014）”】点此查看看作者更多好文章
