TKDE最新「神经推荐系统」综述论文,19页pdf阐述深度学习协同过滤、内容丰富、上下文等模型

2021 年 5 月 4 日 专知


深度学习在计算机视觉和语言理解领域取得了惊人的成功,受此影响,推荐研究已经转向了基于神经网络的新推荐模型的发明。


近年来,神经网络推荐模型的发展取得了显著的进展,由于神经网络具有强大的表示能力,使得传统的推荐模型得到了推广和超越。


在本文中,我们对神经推荐模型进行了系统性回顾,旨在对该领域进行总结,以促进未来的发展。与现有的基于深度学习技术分类法对现有方法进行分类的调研不同,我们从推荐建模的角度对该领域进行了总结,这可能对研究推荐系统的研究者和从业者更有指导意义。


具体来说,我们根据他们用于推荐建模的数据将工作分为三种类型:


1) 协同过滤模型,它利用了用户-物品交互数据; 

2) 内容丰富模型,利用与用户和物品相关的侧面信息,如用户档案和物品知识图谱; 

3)上下文丰富模型,它解释了与互动相关的上下文信息,如时间、地点和过去的互动。


在回顾了每种类型的代表性工作后,我们最后讨论了该领域的一些有前途的方向,包括标杆推荐系统、基于图推理的推荐模型,以及可解释和公平的社会公益推荐。


https://www.zhuanzhi.ai/paper/cbf33028b44f85138520717fd1d72792


引言


由于互联网的扩散,信息过载在人们的每一个生活中都是一个日益严重的问题。与搜索引擎一样,推荐系统是缓解信息过载问题的有效解决方案,方便用户寻找所需信息,增加服务提供商的流量和收入。它已经被广泛应用于电子商务、社交媒体网站、新闻门户、应用商店、数字图书馆等。它是现代信息系统中最普遍的以用户为中心的人工智能应用之一。


关于推荐的研究可以追溯到20世纪90年代的[1],在那个年代早期的工作开发了许多基于内容的启发式和协同过滤(CF)[2]。由于Netflix的挑战,Matrix Factorization (MF)[3]后来很长一段时间(从2008年到2016年)成为主流推荐模型[4],[5]。然而,因子分解模型的线性性质使其在处理大而复杂的数据时效率较低。复杂的用户-物品交互,这些物品可能包含复杂的语义(例如,文本和图像),这需要对它们进行彻底的理解。大约在2010年中期的同一时期,机器学习领域的深度神经网络(deep neural networks,又称“深度神经网络”)兴起。(比如深度学习)已经在语音识别、计算机视觉和自然语言处理等领域产生了革命性的变化。深度学习的巨大成功源于神经网络相当大的表达能力,尤其有利于从具有复杂模式的大数据中学习。这自然为推荐技术的发展带来了新的机会。毫不奇怪,在过去的几年中出现了很多关于开发神经网络方法的推荐系统的工作。在这项工作中,我们的目的是提供一个系统的回顾推荐模型使用神经网络-称为“神经推荐模型”。这是当前推荐研究中最热门的话题,不仅近年来取得了许多令人兴奋的进展,而且显示出了成为下一代推荐系统的技术基础的潜力。


我们专注于物品推荐的一般任务,即向用户推荐项目,而忽略了对其他推荐任务的讨论,如向一组用户推荐物品、特定领域推荐(如教育推荐和时尚推荐)。此外,我们专注于利用单个域的数据的工作,而忽略了关于跨域推荐[8]的讨论。我们的目标是提供一个单一领域的一般性项目推荐的全面综述,并帮助青年研究者掌握该领域的主要研究方向。


本次综述的组织结构如下。在第2节中,我们将回顾使用ID和交互历史进行建模的协同过滤模型。在第3节中,我们回顾了将用户和商品的侧面信息整合到推荐中的模型,如用户简介和社交网络、商品属性和知识图谱。我们将它们称为内容丰富的模型,它通过集成侧信息自然地扩展了CF。在第4节中,我们将回顾解释上下文信息的模型。上下文数据与每个用户-项目交互相关联,例如时间、位置和过去的交互序列。上下文感知模型基于上下文数据进行预测。由于页面限制,我们主要关注时间信息,这是最常见的上下文数据之一。最后,对研究结果进行了总结,并提出了展望。




专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“NR19” 就可以获取TKDE最新「神经推荐系统」综述论文,19页pdf阐述深度学习协同过滤、内容丰富、上下文等模型》专知下载链接

专知,专业可信的人工智能知识分发 ,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!


欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
1

相关内容

最新《图机器学习》综述论文,19页pdf
专知会员服务
150+阅读 · 2021年5月5日
专知会员服务
65+阅读 · 2021年5月4日
《多任务学习》最新综述论文,20页pdf
专知会员服务
123+阅读 · 2021年4月6日
【USTC】对话推荐系统的进展和挑战:综述论文,30页pdf
专知会员服务
21+阅读 · 2021年1月27日
应用知识图谱的推荐方法与系统
专知会员服务
115+阅读 · 2020年11月23日
最新《深度持续学习》综述论文,32页pdf
专知会员服务
179+阅读 · 2020年9月7日
基于知识图谱的推荐系统研究综述
专知会员服务
327+阅读 · 2020年8月10日
南洋理工大学,深度学习推荐系统综述
专知会员服务
174+阅读 · 2019年10月14日
【综述】基于知识图谱的推荐系统综述
AINLP
14+阅读 · 2020年7月7日
【基于元学习的推荐系统】5篇相关论文
专知
10+阅读 · 2020年1月20日
论文浅尝 | 推荐系统的可解释性浅谈
开放知识图谱
15+阅读 · 2018年11月27日
深度学习在推荐系统上的应用
AI研习社
7+阅读 · 2018年1月24日
【推荐系统】融合 MF 和 RNN 的电影推荐系统
产业智能官
23+阅读 · 2018年1月4日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
学界 | 一文综述所有用于推荐系统的深度学习方法
引力空间站
9+阅读 · 2017年8月1日
Arxiv
8+阅读 · 2020年10月7日
Arxiv
29+阅读 · 2020年3月16日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
Arxiv
10+阅读 · 2018年3月22日
VIP会员
相关VIP内容
最新《图机器学习》综述论文,19页pdf
专知会员服务
150+阅读 · 2021年5月5日
专知会员服务
65+阅读 · 2021年5月4日
《多任务学习》最新综述论文,20页pdf
专知会员服务
123+阅读 · 2021年4月6日
【USTC】对话推荐系统的进展和挑战:综述论文,30页pdf
专知会员服务
21+阅读 · 2021年1月27日
应用知识图谱的推荐方法与系统
专知会员服务
115+阅读 · 2020年11月23日
最新《深度持续学习》综述论文,32页pdf
专知会员服务
179+阅读 · 2020年9月7日
基于知识图谱的推荐系统研究综述
专知会员服务
327+阅读 · 2020年8月10日
南洋理工大学,深度学习推荐系统综述
专知会员服务
174+阅读 · 2019年10月14日
相关资讯
【综述】基于知识图谱的推荐系统综述
AINLP
14+阅读 · 2020年7月7日
【基于元学习的推荐系统】5篇相关论文
专知
10+阅读 · 2020年1月20日
论文浅尝 | 推荐系统的可解释性浅谈
开放知识图谱
15+阅读 · 2018年11月27日
深度学习在推荐系统上的应用
AI研习社
7+阅读 · 2018年1月24日
【推荐系统】融合 MF 和 RNN 的电影推荐系统
产业智能官
23+阅读 · 2018年1月4日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
学界 | 一文综述所有用于推荐系统的深度学习方法
引力空间站
9+阅读 · 2017年8月1日
Top
微信扫码咨询专知VIP会员