【讀論文】 -- 推薦系統研究綜述

想你时风起發表於2024-04-10

前言

本文題目為《推薦系統研究綜述》，文章發表在河北科技大學學報(Journal of Hebei University of Science and Technology)，文章發表時間是：2020年年2月。

摘要

摘要原文

隨著網際網路技術的快速發展，如何對海量網路資訊進行挖掘分析，已成為熱點和難點問題。推薦系統能夠幫助使用者在沒有明確需求或者資訊量巨大時解決資訊過載的問題，為使用者提供精準、快速的業務（如商品、專案、服務等）資訊，成為近年來產業界和學術界共同的興趣點和研究熱點，但是，目前資料的種類多種多樣並且應用場景廣泛，在面對這種情況時，推薦系統也會遇到冷啟動、稀疏矩陣等挑戰。深度學習是機器學習的一個重要研究領域和分支，近年來發展迅猛。研究人員使用深度學習方法，在語音識別、影像處理、自然語言處理等領域都取得了很大的突破與成就。目前，深度學習在推薦領域也得到了許多研究人員的青睞，成為推薦領域的一個新方向。推薦方法中融合深度學習技術，可以有效解決傳統推薦系統中冷啟動、稀疏矩陣等問題，提高推薦系統的效能和推薦精度。

文中主要對傳統的推薦方法和當前深度學習技術中神經網路在推薦方法上的應用進行了歸納，其中傳統推薦方法主要分為以下３類：１）基於內容推薦方法主要依據使用者與專案之間的特徵資訊，使用者之間的聯絡不會影響推薦結果，所以不存在冷啟動和稀疏矩陣的問題，但是基於內容推薦的結果新穎程度低並且面臨特徵提取的問題。２）協同過濾推薦方法是目前應用最為廣泛的一種方法，不需要有關使用者或專案的資訊，只基於使用者和諸如點選、瀏覽和評級等專案的互動資訊做出準確的推薦。雖然該方法簡單有效但是會出現稀疏矩陣和冷啟動的問題。３）混合推薦方法融合了前２種傳統推薦方法的特點，能取得很好的推薦效果，但在處理文字、影像等多源異構輔助資訊時仍面臨一些挑戰與困難。

依據神經網路基於深度學習的推薦方法主要分為４類：基於深度神經網路（ＤＮＮ）的推薦方法、基於卷積神經網路（ＣＮＮ）的推薦方法、基於迴圈神經網路（ＲＮＮ）和長短期記憶神經網路（ＬＳＴＭ）的推薦方法、基於圖神經網路（ＧＮＮ）的推薦方法、將深度學習技術融入到推薦領域，構造的模型具有以下優勢：具有較強的表徵能力，可以直接從內容中提取使用者和專案特徵；具有較強的抗噪能力，可以輕易地處理含有噪聲的資料；可以對動態或者序列資料進行建模；可以更加精準地學習使用者或專案特徵；便於對資料進行統一處理，並且可以處理大規模資料。將深度學習技術應用到推薦領域，可以積極有效地應對傳統推薦方法面臨的挑戰，提高推薦效果。

分析

摘要可分為三段：

  • 第一段：
    • 提出問題：隨著網際網路技術的快速發展，如何對海量網路資訊進行挖掘分析，已成為熱點和難點問題。
    • 提出針對上述問題的解決方式：推薦系統，並列舉出其缺點；
    • 提出基於深度學習的推薦系統，與此同時指出，推薦系統+深度學習是新的研究方向
  • 第二段：
    • 歸納了傳統的推薦方法和當前深度學習技術中神經網路在推薦方法上的應用
    • 分類：傳統的推薦系統分類分為三類：
      1. 基於內容的推薦系統
      2. 協同過濾推薦系統
      3. 混合推薦系統
    • 介紹三種傳統推薦系統的優缺點
  • 第三段：
    • 依據神經網路基於深度學習的推薦方法的分類(分為四類)
      1. 基於深度神經網路(DNN)的推薦方法
      2. 基於卷積神經網路(CNN)的推薦方法
      3. 基於迴圈神經網路(RNN)和長短期記憶神經網路(LSTM)的推薦方法
      4. 基於圖神經網路(GNN)的推薦方法
    • 將深度學習技術融入到推薦領域，構造模型的優勢由：
      1. 具有較強的表徵能力
      2. 具有較強的抗噪能力
      3. 可以對動態或者序列資料進行建模
      4. 可以更加精準地學習使用者或專案特徵
      5. 便於對資料進行統一處理，並且可以處理大規模資料
    • 將深度學習技術應用到推薦領域，可以積極有效地應對傳統推薦方法面臨的挑戰，提高推薦效果。

好了，現在對這篇文章有了結構性的認識，接下來讓我們進入正文，詳細瞭解一下，關於推薦系統的研究進展。

引言

好了，今天(2024-04-10 21:12:43 星期三)先讀到這，明天繼續。

相關文章