近些年deep learning在推荐系统的应用

深度学习不仅可以用来做推荐系统，而且未来基于机器/深度学习的推荐系统会是大趋势。深度学习（DL）是推荐系统（RecSys）的下一个大事件一。在过去几年中，深度神经网络在计算机视觉，语音识别和自然语言处理（NLP）方面取得了巨大成功。深度学习技术也正成为解决推荐系统任务（如音乐，新闻，时尚文章和移动应用程序推荐）的强大工具。推荐系统可以说是无处不在，我们每天直接或间接地...

ljtyxl

530人浏览 · 2019-03-29 23:52:53

ljtyxl · 2019-03-29 23:52:53 发布

深度学习不仅可以用来做推荐系统，而且未来基于机器/深度学习的推荐系统会是大趋势。

深度学习（DL）是推荐系统（RecSys）的下一个大事件一。在过去几年中，深度神经网络在计算机视觉，语音识别和自然语言处理（NLP）方面取得了巨大成功。深度学习技术也正成为解决推荐系统任务（如音乐，新闻，时尚文章和移动应用程序推荐）的强大工具。

推荐系统可以说是无处不在，我们每天直接或间接地都会在各自的数字交互中使用它们：根据我们以前的历史购买，天猫/亚马逊等推荐给我们的那本书；在 Spotify 根据我们的听歌历史生成的推荐歌单中聆听歌曲；观看视频网站为我们推荐的视频；社交网站推荐给我们的新朋友；阅读新闻媒体为我们推荐的新闻资讯···推荐系统会在浩如烟海的选项中为我们找到有价值的那个。

为何要用深度学习？

深度学习是机器学习的一个领域，它能让计算模型由多个表示和抽象处理层组成，帮助我们理解图像，声音和文本等数据。这些方法极大地提高了计算机视觉，语音识别，自然语言处理（NLP）以及药物发现和癌细胞检测等许多其他领域的最新技术水平。

是否深越好？就图像分类而言，具有数百个网络层和新颖架构的更深层的神经网络，过去几年表现出令人印象深刻的进展，将分类误差降低了多达 24 个百分点。

那对于 RecSys 的 DL 怎么样？推荐性能有可能提高吗？

深度学习是否适用于推荐系统？

我们来看看推荐系统如何从深度学习中受益。具体来说，我们将探讨如何使用卷积新神经网络（CNN），递归神经网络（RNN），深度神经网络（DNN）和自编码器（AE）来增强推荐系统的功能。

卷积神经网络（CNN）

CNN 由多层感受野组成，感受野模拟了动物的视觉感知。它们是多层感知器的变体，旨在使用最少量的预处理。CNN 感受过滤器会处理输入图像的部分，然后平铺它们的输出，使它们的输入区域重叠，以获得原始图像的更高分辨率的表示。模型中的每个网络层都重复这个过程。靠近输入图像的初始层学习基本和低级特征，例如边缘，然后是一些层学习更多高阶特征，如形状。最后一层学习语义属性，比如眼睛、轮子等，这些属性是几个类别中的关键部分。机器会在无需手工创建特征情况下学习如何表示对象。

用于推荐系统的 CNN：特征学习以增强协作过滤

项目的内容特征（例如，视觉特征）在诸如时尚，零售或娱乐的多个领域中非常有价值，并且它们可以补充协作过滤算法。CNN 可用于自动提取这些视觉特征。比如，在《VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback》这篇论文中（https://arxiv.org/abs/1510.01784），作者提出了 VBPR，这种种方法会重用预训练 CNN 来提取视觉特征向量，然后将其嵌入到使用 BPR 的成对矩阵分解所学习的项目因子中，并与之相结合。