读论文: Deep Learning based Recommender System:A Survey and New

Deep Learning based Recommender System:A Survey and New Perspectives, 2017

RS作为一种克服信息过载的有效解决方案。
与传统推荐模型相比,深度学习提供了对用户需求,项目特征和它们之间历史交互的理解。

文章全面回顾了基于DL的RS研究方法,提出了基于DL的推荐模型的分类法。

DL能够有效地捕获非线性和非平凡的用户-项目关系。

RS三种输出的分类:评分预测,top-n,分类

推荐模型通常分类为三种:协同过滤,基于内容,混合推荐系统

DL中的一些模型(能和RS结合的):
MLP:多层感知器
AE:自动编码器
CNN:卷积神经网络
RNN:循环神经网络
DSSM:深层语义相似度模型
RBM:受限波兹曼机
NADE:神经自回归分布估计
GAN:生产对抗网络

文章将深度学习的推荐模型分为两大类:使用单深度学习技术的模型和深度复合模型(涉及两种及更多深度学习技术的RS)

深度学习技术决定了这些推荐模型的优势和应用场景。
MLP可以轻松地模拟用户和项目之间的非线性交互;
CNN能够从异构数据源(如文本和视觉信息)中提取本地和全局的表示;
RNN使推荐系统能够对评级数据的时间动态进行建模,并且对内容信息的顺序进行建模;
DSSM能够在用户和项目之间执行语义匹配。
。。。

NCF(神经网络协同过滤)

基于自动编码器的RS