深度学习是机器学习的一个子集，它使用多种方法来实现人工智能研究的中心目标之一：让计算机充分模拟我们的世界，从而展示“智能”在我们的理解中。从基本概念来看，深度学习方法往往具有非常基本的共同特征。深度学习算法通过多个处理层来解释原始数据。这些处理层中的每一个都将前一个处理层的输出作为输入，创建一个更抽象的表示。因此，只要将更多的数据输入到正确的算法中，算法通常可以给出更多与相关规则和特征密切相关的推论和场景，并在处理新的类似情况时作为参考。谷歌翻译提供的科幻类WordLens功能，是一套深度学习算法支持的产物。而最近受到广泛关注的DeepMind的AlphaGo，也凭借深度学习的强大能力席卷了围棋界——但具体来说，AlphaGo的制胜算法并不属于纯神经网络，而是属于深度强化学习与树搜索。经典AI基础技术结合的产物。深度学习是解决计算问题的合适方法，主要用于过于复杂而无法通过图像分类或自然语言处理等简单算法直接解决的任务。然而，目前深度学习的实际应用仍然非常有限。如今，大多数利用机器学习技术的行业都未能充分发挥深度学习和相关方法的潜力，而只是借鉴了一些最佳实践。例如，那些关注最近深度学习革命的人可能听说过Google的前AI负责人JohnGiannandrea接管了公司的搜索部门（这甚至可能彻底改变整个SEO领域）。深度学习技术支持的推荐系统——个性化的未来解决方案可以肯定的是，深度学习也将推动个性化领域下一轮重大跨越式发展。个性化已成为电子商务企业、出版商和营销机构等的核心领域，因为它已被证明能够推动销售、增加参与度和改善整体用户体验。如果数据是个性化的燃料，那么推荐系统就是它的引擎。这样的算法进步肯定会对领域和平台用户的在线体验产生深远的影响。在这里，我们将重点关注三个特定领域，并探索深度学习如何补充和改进现有的推荐系统。将内容合并到推荐过程中Item-to-item推荐是推荐系统中的一种标准化方法。这意味着当电子商务网站或出版商网站进行推荐时，推荐结果来自于用户之前浏览过的其他类似商品。解决此类需求的典型方法是基于元数据的业务逻辑（另一个典型的数据源是用户交互，即亚马逊提供的“购买此商品的用户也购买了……”）。然而，元数据质量低下已成为制约其实际效果的普遍瓶颈，这主要是元数据缺乏价值或系统配置所致。在这种情况下，即使有完美的元标签，此类数据也只能表达实际项目之间的间接关系。借助深度学习，我们可以将图像、视频和文本等实际内容属性纳入推荐过程。使用深度学习，物品与物品之间的关系与算法对产品的更全面理解相匹配，并且更少地依赖手动标记和广泛的交互历史。在这方面，Spotify的推荐系统是相当值得称赞的。该公司在2014年的研究中将深度学习引入推荐系统，旨在提供更多样化的歌曲推荐，同时帮助用户创造更好的个性化体验。过去，音乐流媒体服务在其推荐系统中使用了协同过滤方法。但是SanderDieleman，博士。在Spotify实习的学生认为这是当前功能中最大的缺陷，因为这种高度依赖数据的方法不可避免地会错过一些不太受欢迎、崭露头角的艺术家及其独特的才华。为大众所熟知的歌曲。因此，Dieleman自己使用深度学习算法从500,000首歌曲中每首挑选30秒的片段并分析音乐本身。这种连续的多层学习网络可以掌握更复杂和恒定的歌曲特征，其基本思想与图像分类非常相似。事实上，“基于输出层上方网络的全连接层，学习过滤器最终可以在音乐的某些子流派中更具选择性”，包括福音音乐、中国流行音乐或deephouse音乐。音乐等。在实践中，这意味着此类系统可以有效地仅基于歌曲相似性（对于用户组装个性化播放列表的重要属性）进行音乐推荐。虽然尚不清楚Spotify是否会将这些发现纳入其实际算法，但实验本身非常值得称赞。解决冷启动问题冷启动是推荐系统的天敌，它会对用户和项目产生严重影响。对于用户来说，冷启动意味着当前系统几乎没有或根本没有关于客户行为和偏好的信息。项目冷启动意味着它缺少可以指导用户交互的项目到项目的上下文数据（虽然我们仍然有元数据，但它不足以做出真正精细的推荐）。通过上述基于内容的方法，item冷启动的实际效果将得到显着提升，因为它可以保证推荐系统较少依赖于交易和交互数据。然而，为新用户创造有意义的个性化体验是另一个棘手的问题，仅靠收集更多信息难以解决。这种情况在电子商务网站或产品组合广泛的在线商店系统中很常见，随着时间的推移，客户会随机访问完全不同的浏览目的地。他们可能最初决定购买微波炉，但在下次访问时会寻找手机。在这种情况下，第一个会话中收集的数据几乎与第二个会话完全无关。解决用户冷启动问题的一个有趣想法是构建基于会话或项目到会议的推荐。简单来说，这意味着系统不再依赖于客户的整体交互历史，而是将相关数据分解为多个不同的会话，并根据特定会话的点击流为用户构建兴趣模型。这样，未来的推荐系统可能不再依赖于精心设计的数月甚至数年内收集的客户数据，而是可以在网站运营一段时间后为用户提供合理的推荐。相关咨询。尽管该领域尚未得到彻底研究，但它确实有可能提供个性化在线体验的巨大机会。GravityR&D的研究人员在参与欧盟资助的CrowdRec项目时与人合着了一篇论文，描述了如何使用卷积神经网络(RNN)方法提供基于会话的推荐。这是第一篇利用深度学习技术通过基于对话的方法实现推荐功能的研究论文，结果表明他们的方法比目前最先进的算法技术具有更好的实际效果。四个关键时刻所谓四个关键时刻，是指客户根据企业沟通和相关可用信息做出决策的四个短暂时期。这些决定虽然在很大程度上受到长期考虑、个人喜好和品牌忠诚度的影响，但也受到瞬间印象的指导。面对这些关键时刻，强大的深度学习系统很可能会带来可操作的方法来影响人类的决策过程——这是一种非常新颖的见解。例如，我们都知道漂亮的产品图片可以推动销售（整个行业都在研究如何为出租房或食物拍出好看的图片）。但另一方面，我们也期待使用基于深度学习的图像分析方法来评估产品图像中的视觉特征如何对销售活动产生显着的积极影响。诚然，本文涵盖的内容并不详尽。个性化无疑是当今互联网行业最迫切的需求之一，而深度学习技术几乎可以肯定在这一领域具有巨大的潜力。因此，想要保持自身竞争优势的企业，自然需要密切关注这项技术的发展和动向。原文链接：http://dataconomy.com/2017/06/deep-learning-personalizing-internet/
