【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. 一文教您如何通过 Docker 搭建反向代理 Ngnix,并配置 Https SSL 证书

    欢迎关注个人微信公众号: 小哈学Java, 每日推送 Java 领域干货文章,关注附送 100G 海量学习资源哟!! 个人网站: https://www.exception.site/docker/h ...

  2. C 储存类与运算符

    储存类 参考链接:https://www.runoob.com/cprogramming/c-storage-classes.html 存储类定义 C 程序中变量/函数的范围(可见性)和生命周期 au ...

  3. golang中,slice的几个易混淆点

    slice在golang中是最常用的类型,一般可以把它作为数组使用,但是比数组要高效呀.不过,我感觉这个东西用的不好坑太多了.还是需要了解下他底层的实现 slice的结构定义 type slice s ...

  4. SSM登陆

    简单的SSM登陆 jsp <form action="${pageContext.request.contextPath }/user/login.action"> & ...

  5. java 学习 进阶之 一 (线程基础)

    一.线程安全 线程安全的概念:当多个线程访问某一个类(对象或方法)时.这个类始终都能表现出正确的行为那么这个类(对象或方法)就是线程安全的. synchronized:可以在任何对象及方法上加锁,而加 ...

  6. 在vue里使用codemirror的两种用法

    这是我自己做的一个左边点击对应的标题,右边显示相应代码的一个功能.代码显示这里用的是vue-codemirror插件. 第一种用法: 1.安装:npm install vue-codemirror - ...

  7. maven 学习---使用Maven创建Web应用程序项目

    在本教程中,我们将演示如何使用 Maven 创建一个 Java Web 项目(Spring MVC). 用到的技术/工具: Maven 3.3.3 Eclipse 4.3 JDK 8 Spring 4 ...

  8. CI/CD DevOps

    CI/CD DevOps 通过技术工具链完成持续集成CI.持续交付CD.用户反馈和系统优化的整合,实现跨团队的无缝协作(DevOps). 什么是持续集成? 他是开发每天代码更新的副本,所有的开发工作都 ...

  9. XGBoost 完整推导过程

    参考: 陈天奇-"XGBoost: A Scalable Tree Boosting System" Paper地址: <https://arxiv.org/abs/1603 ...

  10. Phoenix 无法启动报错: java.net.BindException: Address already in use

    一.问题描述 i. 登录Ambari发现有一个节点的 Phoenix 无法启动 ii. 在Ambari上点击“Start”,监控 Phoenix 日志文件 iii. Phoenix 日志如下: [ro ...