扫雷游戏在线 当前位置:首页>扫雷游戏在线>正文

扫雷游戏在线

发布时间:2019-03-22

原标题:Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works(笔记)

Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works(笔记)


 

  注意:论文中,很多的地方出现baseline,可以理解为参照物的意思,但是在论文中,我们还是直接将它称之为基线,

就是对照物,参照物.

 

这片论文中,作者没有去做实际的实验,但是却做了一件很有意义的事,他收罗了近些年所有推荐系统中涉及到深度学习的文章

,并将这些文章进行分类,逐一分析,然后最后给出了一个推荐系统以后的发展方向的预估. 那么通过这篇论文,我们可以较为

系统的掌握这些年,在推荐系统方面,深度学习都有那些好玩的应用,有哪些新奇的方法,这片论文起到了一个简报的作用,下面是论文的一个粗糙翻译:

 

概述:

   随着互联网上数字信息量的急剧增加,在线商店、在线音乐、视频和图像库、搜索引擎和推荐系统已经成为在短时间内查找
相关信息的最方便的方式。近年来,深度学习在语音识别、图像处理和自然语言处理等领域得到了广泛的关注。同时,最近的一
些研究也显示了深度学习在推荐系统和信息检索领域的应用。近年来,深度学习在语音识别、图像处理和自然语言处理等领域得
到了广泛的关注。同时,最近的一些研究也显示了深度学习在推荐系统和信息检索领域的一些应用。在这个简短的回顾中,我们
涵盖了最近在使用各种不同的深度学习技术在推荐领域取得的进展。我们将综述分为三个部分:协作系统、基于内容的系统和混
合系统。本文还讨论了深度学习集成推荐系统在多个应用领域中的贡献。本文最后讨论了深度学习在推荐系统中的各个领域的影
响,以及深度学习是否比传统的推荐系统有了显著的改善。最后,根据推荐系统中深度学习的应用现状,提出了今后的研究方向。
 
笔记: 作者对过去发展的一个回顾,以及大致的描述了一下整篇文章内容的顺序和文章结构。
引言
 
     我们日常的需求从购物项目、书籍、新闻文章、歌曲、电影、研究文件等基本需求,都充斥着几个数据仓库和数据库,无论是
数量还是种类。为此,智能推荐系统和强大的搜索引擎为用户提供了非常有用的帮助。这类系统的流行和有用性归功于它们能够从
一个几乎无限的仓库中显示方便的信息。因此,亚马逊、Netflix等推荐系统会主动了解用户的兴趣,并告知用户他们感兴趣的项目。
虽然这些系统的应用不同,但寻找用户感兴趣的项目的核心机制都是用户对项目匹配的兴趣。
    通常,推荐的产生是基于用户的偏好,项目的特征,用户-项目交叉信息,以及其他的环境因素(比如时间,季节,位置).
在推荐文献中,这些内容主要分为三大类:协同过滤(仅使用推荐的用户-项交互信息)、基于内容的推荐(使用用户偏好、或者项目的
偏好,或两者结合使用)和混合推荐模型(同时使用用户和项目的交叉信息)。每个类别下的模型都有其自身的局限性,例如数据稀疏、
用户和项目的冷启动。
    鉴于深度学习在计算机视觉和语音识别等各个应用领域的最新进展,深度学习已扩展到信息检索和推荐系统领域。关于将深度学习
集成到推荐系统上的影响,人们普遍认为,与传统的模型相比,应该有显著的改进。在此综述中,我们对有关将深度学习集成到推荐
系统中的各种工作进行了系统的总结,为读者了解今后利用深度学习改进推荐系统的影响和方向提供了坚实的基础。
 
笔记: 近些年来推荐系统的应用,以及简单的描述了一下推荐系统的原理,和分类.
 
方法
 
    在本节中,我们回顾了我们过去收集,选择,和总结研究性文章的方法. 我们使用谷歌学者搜索引擎来获取研究文章
库,选择相关的论文供我们参考。我们使用以下关键词提取文章:“推荐系统深度学习”、“协同过滤深度学习”、“递归
神经网络推荐系统”。我们还将时间过滤器设置为“自2013起”,以便只在过去5年内找到文章。谷歌学者搜索引擎为每
个查询获取了几篇文章,但是我们通过浏览论文标题来了解它们是否实际上是关于深度学习的推荐系统,从而执行了
手动选择。手动选择留下了33篇文章。然后对每一篇文章进行了回顾,以了解用于增强推荐模型的深度学习方法,并
了解用于验证目的的各种数据集。
 
笔记: 描述自己是如何获取到这些文章的.
 
回顾和讨论
    如下表1中,我们总结统计了推荐模型三中分类中每一种方法的数量. 我们发现,大多数最近时间的发表的文章都已经
利用深入学习来增强协同过滤能力。在接下来的章节中,我们讨论了具体的深度学习技术,并简要讨论了深度学习是如何
与传统的推荐模型相媲美的。