基于深度学习的推荐系统研究综述

被引：452

作者：

黄立威 ^{[1
]}

江碧涛 ^{[1
]}

吕守业 ^{[1
]}

刘艳博 ^{[1
]}

李德毅 ^{[2
]}

机构：

[1] 北京市遥感信息研究所

[2] 清华大学计算机科学与技术系

来源：

计算机学报 | 2018年 / 41卷 / 07期

基金：

国家自然科学基金重大研究计划;

关键词：

推荐系统; 深度学习; 协同过滤; 个性化服务; 数据挖掘; 多源异构数据;

D O I：

暂无

中图分类号：

TP391.3 [检索机];

学科分类号：

081203 ; 0835 ;

摘要：

深度学习是机器学习领域一个重要的研究方向,近年来在图像处理、自然语言理解、语音识别和在线广告等领域取得了突破性进展.将深度学习融入推荐系统中,研究如何整合海量的多源异构数据,构建更加贴合用户偏好需求的用户模型,以提高推荐系统的性能和用户满意度,成为基于深度学习的推荐系统的主要任务.该文对近几年基于深度学习的推荐系统研究进展进行综述,分析其与传统推荐系统的区别以及优势,并对其主要的研究方向、应用进展等进行概括、比较和分析.最后,对基于深度学习的推荐系统的未来发展趋势进行分析和展望.

引用

页码：1619 / 1647

页数：29

共 11 条

[1] 跨媒体分析与推理:研究进展与发展方向（英文） [J].

Yuxin PENG ;

Wenwu ZHU ;

Yao ZHAO ;

Changsheng XU ;

Qingming HUANG ;

Hanqing LU ;

Qinghua ZHENG ;

Tiejun HUANG ;

Wen GAO .

Frontiers of Information Technology & Electronic Engineering, 2017, 18 (01) :44-58

[2] 利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法 [J].

何洁月 ;

马贝 .

计算机学报, 2016, 39 (01) :183-195

[3] Collaborative Filtering with Temporal Dynamics [J].

Koren, Yehuda .

COMMUNICATIONS OF THE ACM, 2010, 53 (04) :89-97

[4]

A Survey of Collaborative Filtering Techniques[J] . Xiaoyuan Su,Taghi M. Khoshgoftaar,Jun Hong.Advances in Artificial Intelligence . 2009

[5] A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[6] Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

[7]

Fab[J] . Marko Balabanovi?,Yoav Shoham.Communications of the ACM . 1997 (3)

[8] Backpropagation Applied to Handwritten Zip Code Recognition [J].

LeCun, Y. ;

Boser, B. ;

Denker, J. S. ;

Henderson, D. ;

Howard, R. E. ;

Hubbard, W. ;

Jackel, L. D. .

NEURAL COMPUTATION, 1989, 1 (04) :541-551

[9]

Relational stacked denoising autoencoder for tag recommendation .2 Wang H,Shi X,Yeung D Y. Proceedings of the29th Conference on Artificial Intelligence . 2015

[10]

Deep interest network for click-through rate prediction .2 ZHOU G,SONG C,ZHU X,et al. . 2017

← 1 2 →