【论文标题】A review on deep learning for recommender systems: challenges and remedies  (Artificial Intelligence Review,201906)

【论文作者】Zeynep Batmaz 1 · Ali Yurekli 1 · Alper Bilge 1 · Cihan Kaleli 1

【论文链接】Paper(37-pages // Single column)

=======================<札记非FY> (以下着重 mark 关于CNN的推荐系统!)=========================

4  Perspectival synopsis of deep learning within recommender systems
4.1 推荐系统的深度学习技术
4.1.1 推荐系统的限制玻尔兹曼机
4.1.2 推荐系统的深度信念网络
4.1.3 推荐系统的自动编码器
4.1.4 推荐系统的循环神经网络
4.1.5 推荐系统的卷积神经网络
CNN使用至少一个层的卷积,这类神经网络用于特定的任务,如图像识别和对象分类。 推荐系统也受益于CNNs。
 
1)Oordet al.(2013)利用CNNs从音频数据中提取无法从用户反馈中获得的隐含因子。
2)Shenet al.(2016)利用CNNs从文本数据中提取隐含因子。
3)Zhou等(2016)提取视觉特征,目的是生成用户的视觉兴趣档案,以供推荐。
4)Lei等(2016)利用CNNs提取图像的隐含特征,目的是将特征和用户偏好映射到相同的隐含空间。
5)使用CNNs提取的文本信息的语义意义也被用于推荐系统,特别是上下文感知的推荐系统,以提供更有资格的推荐(Wu等人)。
 
因此,CNNs主要用于从数据中提取潜在因素和特征,尤其是从图像和文本中提取,以用于推荐。
 
 
4.1.6 其他技术
 
4.2  对推荐系统的挑战的补救措施
4.2.1 提高精度的解决方案
4.2.2 稀疏性和冷启动问题的解决方案
1)Oord等(2013)利用CNN从音乐音频信号中提取高级特征,处理基于cf的方法中的冷启动问题。
 
2)Shin etal.(2015)也利用边信息处理稀疏性和冷启动问题进行博客推荐。他们将从文本和图像中提取的特征分别与word2vec和CNNs集成到他们提出的增强归纳矩阵补全方法中。
 
3) Shen等(2016)将CNNs提取的隐含因子整合到矩阵因子分解中,利用隐含因子模型处理稀疏性问题。
ShenX,YiB,ZhangZ,ShuJ,LiuH(2016)
Automatic recommendation technology for learning resources with convolutional neural network. 
In:Proceedings of the international symposium on educational technology, Beijing, China, pp 30–34
——是关于书籍推荐领域的, 提出一种在电子学习环境中为学生提供个性化书籍推荐的方法。
 
4) Kim等人(2017)利用CNN从图像中提取特征,旨在缓解标签感知推荐系统中标签的不足。
Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026
 
5)Ebesu和Fang(2017)提出利用深度神经网络从用户的隐式反馈和项目的文本内容信息中学习项目表示。
 
6)Tuan和Phuong(2017)利用3D-CNNs对基于会话的推荐系统中项目的内容信息进行整合,解决稀疏性问题。
 
 
4.2.3 可伸缩性问题的解决方案
 
 
4.3  对推荐领域的认识和普及

4.4  专业的推荐系统和深度学习
4.4.1 动态推荐系统
(几乎无涉及CNN)
4.4.2 上下文感知推荐系统
(各种CNN)
1)Kim等人(2017)提出利用CNNs从项目的文本描述中获取上下文信息。
Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026
2)
 
4.4.3 Tag-aware recommender systems 标签感知推荐系统
 
6  见解和讨论
 
(4)CNNs和dbns主要用于文本、音频和图像输入的特征工程。所提取的特征可以用于基于内容的过滤技术,也可以作为CF中的边信息。
 
 

【RS】A review on deep learning for recommender systems: challenges and remedies- 推荐系统深度学习研究综述:挑战和补救措施的更多相关文章

  1. 【RS】Wide & Deep Learning for Recommender Systems - 广泛和深度学习的推荐系统

    [论文标题]Wide & Deep Learning for Recommender Systems (DLRS'16) [论文作者] Heng-Tze Cheng, Levent Koc, ...

  2. Wide & Deep Learning for Recommender Systems

    Wide & Deep Learning for Recommender Systems

  3. Deep learning:四十(龙星计划2013深度学习课程小总结)

    头脑一热,坐几十个小时的硬座北上去天津大学去听了门4天的深度学习课程,课程预先的计划内容见:http://cs.tju.edu.cn/web/courseIntro.html.上课老师为微软研究院的大 ...

  4. [转]-[携程]-A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems

    原文链接:推荐系统中基于深度学习的混合协同过滤模型 近些年,深度学习在语音识别.图像处理.自然语言处理等领域都取得了很大的突破与成就.相对来说,深度学习在推荐系统领域的研究与应用还处于早期阶段. 携程 ...

  5. 【RS】Deep Learning based Recommender System: A Survey and New Perspectives - 基于深度学习的推荐系统:调查与新视角

    [论文标题]Deep Learning based Recommender System: A Survey and New Perspectives ( ACM Computing Surveys  ...

  6. 论文笔记:A Review on Deep Learning Techniques Applied to Semantic Segmentation

    A Review on Deep Learning Techniques Applied to Semantic Segmentation 2018-02-22  10:38:12   1. Intr ...

  7. Deep Learning论文笔记之(一)K-means特征学习

    Deep Learning论文笔记之(一)K-means特征学习 zouxy09@qq.com http://blog.csdn.net/zouxy09          自己平时看了一些论文,但老感 ...

  8. 《A Survey on Transfer Learning》迁移学习研究综述 翻译

    迁移学习研究综述 Sinno Jialin Pan and Qiang Yang,Fellow, IEEE 摘要:   在许多机器学习和数据挖掘算法中,一个重要的假设就是目前的训练数据和将来的训练数据 ...

  9. 论文笔记: Deep Learning based Recommender System: A Survey and New Perspectives

    (聊两句,突然记起来以前一个学长说的看论文要能够把论文的亮点挖掘出来,合理的进行概括23333) 传统的推荐系统方法获取的user-item关系并不能获取其中非线性以及非平凡的信息,获取非线性以及非平 ...

随机推荐

  1. NET 线程可传递参数

    1.多线程执行方法 /// <summary> /// 随机数保存队列 /// </summary> private Queue<string> _randomQu ...

  2. C++调用linux命令并获取返回值

    qt中封装了相关的方法, 但是因为我的命令中用到了管道命令, 出现了非预期结果, 所有改用了linux系统原生的方法. 下边是一个判断某进程是否存在的例子. 当前存在一个问题,当linux返回多行时, ...

  3. 第一章 权限管理DEMO简介

    源代码GitHub:https://github.com/ZhaoRd/Zrd_0001_AuthorityManagement 1.系列介绍 工作已有五年之久,一直有想通过博客写点自己知道的,在博客 ...

  4. 6 、 图论—NP 搜索

    6.1 最大团 //最大团 //返回最大团大小和一个方案,传入图的大小 n 和邻接阵 mat //mat[i][j]为布尔量 #define MAXN 60 void clique(int n, in ...

  5. 关于网页布局中常见的margin: 0px ; padding: 0px; 总结

    我们在网页布局中常用到margin: 0px; padding: 0px;  但是在大型的网站布局中通常不这样写通常是按下面这种方式. ul, li, ol, dl, dt, dd, div, p, ...

  6. Qt for Android使用grpc探索

    利用Qt在Android上使用grpc需要*.a的静态库,Windows上编译的lib库以及linux编译出来的.a,经过尝试,均无法链接成功.本文尝试使用NDK来编译Android版本的grpc静态 ...

  7. elasticsearch 多字段聚合或者对字段子串聚合

    以下是字段子串聚合,截取 'your_field' 前八位进行聚合的 Script script = new Script("doc['your_field'].getValue().sub ...

  8. Invalid utf8mb4 character string: '"'

    将CSV格式数据导入 mysql,报错: load data infile 'f:/nmg.csv' into table nmg fields terminated by ',' optionall ...

  9. 2-1Numpy概述

    In [1]: import numpy as np In [2]: array=[1,2,3,4,5] array+1#没定义成numpy.ndarray类型是不能直接操作的   --------- ...

  10. kolla部署openstack allinone,报错APIError: 500 Server Error: Internal Server Error (\"oci runtime error: container_linux.go:235: starting container process caused \"container init exited prematurely

    使用 kolla-ansible 部署 opnenstack:stein 执行 kolla-ansible -i ./all-in-one deploy 开始自动化部署 在部署过程中报错,报错信息如下 ...