基于深度学习的序列推荐系统：概念，算法与评估- 专知

基于深度学习的序列推荐系统：概念，算法与评估

【导读】在序列推荐领域，深度学习方法近年来受到了广泛的关注，并且其性能也已经超越了传统的基于马尔可夫链和基于因子分解的方法。但是，基于深度学习的方法也有一些关键的缺憾，例如用户表示做的不好，不能区分不同类型的用户交互。近日有研究人员就对序列推荐系统的各种问题，包括基本概念，常用算法，评估方法等做了总结，指出了序列推荐系统的未来发展方向及挑战。

推荐系统一直以来都被认为是解决信息过载问题的有效工具，有了推荐系统，用户可以方便地过滤和定位自己喜欢的信息。传统的推荐系统一般是基于内容的推荐系统或基于协同过滤的推荐系统。这些推荐系统是根据用户和项目之间的显式或隐式交互为用户对项目的偏好建模。然而，这些方法忽略了考虑每个交互的时间信息，更不用说记录用户的某些交互可能在短时间内发生，从而导致对用户偏好的建模不准确。在这种情况下，序列推荐(又称基于会话的推荐)在学术研究和实际应用中越来越受欢迎。