推薦系統 task 1 @datawhale

釋出

幫助

關閉
推薦系統組隊學習

推薦系統（RS）
本質
簡介
分類
DL方法
未來發展方向
推薦系統（RS）

本質

是實現商品利益最大化的一種工具
作為一種資訊過濾系統，用於預測使用者對商品的“評分”或者“偏好”

簡介

主要是指應用協同智慧（collaborative intelligence）做推薦的技術
個性化推薦系統可以有效解決資訊過載問題，可以根據使用者歷史偏好和約束為使用者提供排序的個性化物品

分類

協同過濾（僅使用使用者與商品的互動資訊生成推薦）系統、基於內容（利用使用者偏好和／或商品偏好）的系統和混合推薦模型（使用互動資訊、使用者和商品的後設資料）。這些類別中的模型都有侷限性，如資料稀疏性、使用者和商品的冷啟動。推薦系統的兩大主流型別就是上文提到的①基於內容的推薦系統和②協同過濾（Collaborative Filtering）。協同過濾方法根據使用者歷史行為（例如其購買的、選擇的、評價過的物品等）結合其他使用者的相似決策建立模型。這種模型可用於預測使用者對哪些物品可能感興趣（或使用者對物品的感興趣程度）。基於內容推薦利用一些列有關物品的離散特徵，推薦出具有類似性質的相似物品。目前，協同過濾技術已成為最廣泛採用的推薦技術，已經被廣泛應用到了很多商業系統中，比較著名的有Amazon、Netflix、淘寶等。

另一方面，隨著深度學習應用的爆發式發展，特別是在計算機視覺、自然語言處理和語音方面的進展，基於深度學習的推薦系統越來越引發大家的關注。迴圈神經網路（RNN）理論上能夠有效地對使用者偏好和物品屬性的動態性進行建模，基於當前的趨勢，預測未來的行為。

DL方法

用於推薦系統的深度學習方法可以分為：

基於多層感知機（Multilayers Perception）的推薦系統；
基於自編碼器（Autoencoders）的推薦系統——將自編碼器應用於推薦系統一般有兩種常用方式：（1）使用自編碼器在瓶頸層（bottleneck layer）來學習低維度特徵表徵；或者（2）直接在重構層填充評分矩陣的空白處；
基於卷積神經網路（CNN）的推薦系統：此種系統中的卷積神經網路大多是用於特徵提取（feature extraction）的；
基於迴圈神經網路（RNN）的推薦系統：迴圈神經網路特別適用於處理推薦系統中的評級和序列特徵的時序動態；
基於深度語義相似性模型（Deep Semantic Similarity Model）的推薦系統：深度語義相似性模型（DSSM）是一種廣泛應用於資訊檢索領域的深度神經網路。它非常適用於排行榜（top-n）推薦。基礎型DSSM由MLP組成，更高階的神經層比如卷積層和最大池化（max-pooling）層可以被很容易地新增進去；
基於受限玻爾茲曼機（Restricted Boltzmann machine）的推薦系統；
用於推薦系統的深度複合網路（Deep composite models）

未來發展方向

可能會出現更類似人類的推薦，就像是身邊的朋友給出的建議一樣。
推薦系統的應用將快速擴散到很多領域。
理想的情況是一個360°全方位的推薦系統：推薦不限於單個領域，而是可以整合一個人的方方面面，從而給出跨領域的更有幫助/更有意義的推薦。
涵蓋更多領域的、更多的公開資料集，能夠有益於在同樣的基準上進行比較學習的研究。
能夠與使用者有更多互動的推薦平臺，使得評估推薦系統能夠在近真實環境中的進行效能改進。
在其他領域創造公開資料集，例如學術作者-文章資料集、線上零售資料集、包含使用者-推薦條目的互動資訊以及有關使用者。