基于深度学习的推荐系统:综述与新视角

admin管理员组

文章数量:1415187

原文：Deep Learning based Recommender System: A Survey and New Perspectives

作者：张帅, 新南威尔士大学

翻译：沈春旭，清华大学
 

随着在线信息量的不断增加，推荐系统已经成为克服这种信息过载的有效策略。推荐系统的效用无论如何强调都不过分，因为它在许多Web应用程序中被广泛采用，以及它对于改善与过度选择相关的许多问题的潜在影响。近年来，深层学习在计算机视觉、自然语言处理等许多研究领域引起了人们的极大兴趣，不仅因为其优异的性能，还因为其具有从头开始学习特征表示的吸引力。深度学习的影响也很广泛，最近在信息检索和推荐系统研究中证明了它的有效性。显然，深度学习在推荐系统中的应用非常广泛。本文旨在对基于深度学习的推荐系统的最新研究成果进行全面综述。更具体地说，我们提供和设计了基于深度学习的推荐模型的分类，并提供了最新技术的全面总结。最后，我们扩展当前的趋势，并提供与该领域令人兴奋的新发展相关的新视角。

1. 简介

推荐系统是防止消费者过度选择的直观防线。由于网络上可获得的信息爆炸式增长，用户经常受到不计其数的产品、电影或餐馆的欢迎。因此，个性化是促进更好的用户体验的基本策略。总之，这些系统在各种信息访问系统中一直发挥着关键和不可或缺的作用，以促进业务和便利决策过程[69,121]，并且广泛存在于诸如电子商务和/或媒体网站等许多网络领域。

通常，基于用户偏好、项目特征、用户与项目过去的交互以及一些其他附加信息，例如时间（序列感知推荐器）和空间（POI推荐器）数据来生成推荐列表。基于输入数据的类型，推荐模型主要分为协同过滤推荐模型、基于内容的推荐模型和混合推荐模型[1]。

目前，深度学习受到大量宣传。近几十年来，深度学习在计算机视觉、语音识别等许多应用领域取得了巨大的成功。学术界和工业界正在竞相将深度学习应用到更广泛的应用领域，这是因为它有能力解决许多复杂的任务，同时提供最先进的成果[27]。最近, 深度学习已经极大地革新了推荐体系结构，为提升推荐性能带来了更多的机会。近年来，基于深度学习的推荐系统克服了传统模型的障碍，获得了广泛的关注。深度学习能够有效地捕获非线性和非平凡的用户项关系，并能够将更复杂的抽象作为更高层的数据表示进行编码。此外，它从丰富的可访问数据源（如上下文、文本和可视信息）捕捉数据本身中的复杂关系。

• 深度学习在推荐系统中的普遍性和普遍性。

在工业中，推荐系统是增强用户体验和促进许多在线网站和移动应用销售/服务的关键工具[20、27、30、43、113]。例如，80%的在Netflix上观看的电影来自推荐[43]，60%的视频点击来自YouTube的主页推荐[30]。最近，许多公司采用深度学习来进一步提高推荐质量[20,27,113]。Covington等[27]提出了一种基于深度神经网络的视频推荐算法。Cheng等人[20]提出了一个具有广度和深度模型的Google Play应用推荐系统。Shumpei等人[113]提出了一个基于RNN的雅虎新闻推荐系统。所有这些模型都经过了在线测试，显示出传统模型无法比拟的迹象。因此，我们可以看到，深度学习推动了工业推荐应用的显著革命。

近年来，基于深度学习的推荐方法出版物数量呈指数增长，有力地证明了深度学习在推荐系统研究中不可避免的普遍性。RecSys作为国际领先的推荐系统会议，从2016年开始定期组织推荐系统深度学习研讨会。这个研讨会旨在促进基于深度学习的推荐系统的研究和鼓励应用。

无论是在学术界还是在工业界，深度学习推荐的成功都需要对后续的研究者和实践者进行全面的回顾和总结，以便更好地理解这些模型的优缺点和应用场景。

• 本文综述和之前综述的区别

很多研究学者在基于深度学习的推荐领域已经做了大量的研究。然而，就我们所知，很少有系统的综述能很好地塑造这个领域并评价现有工作和当前进展。虽然一些工作已经探索了建立在深度学习技术之上的推荐应用，并试图使这一研究领域正式化，但是很少有人试图提供当前工作的深入总结或详细说明这一领域存在的开放性问题。此调查旨在提供对基于深度学习推荐系统的当前研究进行全面总结，以指出当前推荐系统的困境，并指出未来方向。

过去的几年，在传统的推荐系统中已经出现了许多综述。例如，Su等人[138]对协同滤波技术进行了系统综述；Burke等人[8]提出了关于混合推荐系统的全面调综述；Fernandez等人[40]和Khan等人[74]对跨域推荐模型进行了评述。然而，目前对于基于深度学习的推荐系统还缺乏广泛的研究。就我们所知，只有两个相关的简短综述[7,97]正式发表。Betru等人[7]介绍了三种基于深度学习的推荐模型[123、153、159]，尽管这三项工作在这个研究领域有一定的影响，但是该综述忽略了其他正在出现的高质量的工作。Liu等人[97]回顾了13篇关于深度学习用于推荐的论文，提出了基于输入（使用内容信息的方法和没有内容信息的方法）和输出（评级和排名）的形式对这些模型进行分类。然而，随着新的研究成果的不断涌现，这种分类框架已不再适用，需要新的包容性框架来更好地理解这一研究领域。鉴于深度学习在推荐系统中应用的日益普及和潜力，对其进行系统综述具有较高的科学性和实用价值。我们从不同的角度分析了这些论文，并对这一领域提出了一些新的见解。为此，在本次综述中，超过100项研究被列入候选名单并被分类。

• 我们是从那些渠道收集到-基于深度学习推荐系统-的研究工作？

在这次综述中，我们收集了一百多篇相关的论文。我们使用Google Scholar作为主要的搜索引擎，还采用了数据库，即科学网，作为发现相关论文的重要工具。此外，我们筛选了大多数相关的高级文件会议，如NIPS、ICML、ICLR、KDD、WWW、SIGIR、WSDM、RecSys等。我们使用的关键词包括：推荐系统、推荐、深度学习、神经网络、协同变换、矩阵分解等。

• 该综述的贡献

综述的目的是全面回顾有关基于深度学习的推荐系统进展的文献。它提供了一个全景图，读者可以快速理解并进入基于深度学习的推荐领域。本文为促进推荐系统领域的创新和挖掘这一研究领域的丰富性奠定了基础。这项综述为那些对推荐系统感兴趣的研究者、实践者和教育者服务，希望当他们选择深度学习来解决手头的推荐任务时，能有一个粗略的指导。综上所述，本研究的主要贡献有三个方面：（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，并提出了分类方案来定位和组织当前的工作；（2）我们对现有技术进行了综述和总结。(3)探讨了基于深度学习的推荐系统研究面临的挑战和面临的问题，指出了本研究的新趋势和今后的研究方,拓展基于深度学习的推荐系统研究的视野。

第二节介绍了深度神经网络和推荐系统的基本知识，讨论了基于深度神经网络的推荐模型的优缺点。第三节首先介绍了我们的分类框架，然后详细介绍了最新的分类框架。第四部分探讨了本研究面临的挑战和突出的开放性问题。第五部分对本文进行了总结。

2. 推荐系统和深度学习概述

在开展综述细节之前，我们首先介绍有关推荐系统和深度学习技术的基本术语和概念。讨论了将深度神经网络引入推荐系统的原因和动机。

2.1 推荐系统

推荐系统估计用户对项目的偏好，并主动地推荐用户可能喜欢的项目[1，121]。推荐模型通常分为三类[1,69]：协同过滤、基于内容和混合推荐系统。协作过滤通过从用户项目历史交互中学习来提供推荐，无论是显式的（用户以前的评分）还是隐式的反馈（浏览历史）。基于内容的推荐主要基于项目与用户辅助信息的比较。可以考虑各种各样的辅助信息，例如文本、图像和视频。混合模型是指综合两种或多种推荐策略的推荐系统[8,69]。

假设我们有M个用户和N个项目R表示

本文标签： 深度新视角系统