[論文レビュー] Deep Learning based Recommender System: A Survey and New Perspectives

Shuai Zhang, Lina Yao+2 more|arXiv (Cornell University)|Jul 24, 2017

Recommender Systems and Techniques参考文献 204被引用数 656

ひとこと要約

深層学習ベースのレコメンダーシステムに関する総合的な調査で、分類法を提案し、最先端の概要、課題、および今後の方向性を示す。

ABSTRACT

With the ever-growing volume of online information, recommender systems have been an effective strategy to overcome such information overload. The utility of recommender systems cannot be overstated, given its widespread adoption in many web applications, along with its potential impact to ameliorate many problems related to over-choice. In recent years, deep learning has garnered considerable interest in many research fields such as computer vision and natural language processing, owing not only to stellar performance but also the attractive property of learning feature representations from scratch. The influence of deep learning is also pervasive, recently demonstrating its effectiveness when applied to information retrieval and recommender systems research. Evidently, the field of deep learning in recommender system is flourishing. This article aims to provide a comprehensive review of recent research efforts on deep learning based recommender systems. More concretely, we provide and devise a taxonomy of deep learning based recommendation models, along with providing a comprehensive summary of the state-of-the-art. Finally, we expand on current trends and provide new perspectives pertaining to this new exciting development of the field.

研究の動機と目的

• レコメンドシステムで用いられる深層学習技術の体系的なレビューを提供する。
• 既存の深層学習ベースの推薦モデルを整理する分類法を提案する。
• データモダリティとタスク全体にわたる最先端モデルと応用を要約する。
• この分野の課題、未解決の問題点、および今後の研究の方向性を議論する。

提案手法

• ニューラル構築ブロックのタイプ（例：MLP、AE、CNN、RNN、RBM、NADE、アテンションモデル、敵対的ネットワーク、DRL など）ごとに深層学習ベースのレコメンダーモデルを分類する。
• 複数のニューラル要素を組み合わせる深層ハイブリッドモデルの第二次元を説明する。
• 主要な会場とデータベースからの広範な公表物（100件を超える研究を超）をレビューして現在の傾向をマッピングする。
• Neural Collaborative Filtering や Deep Factorization Machines のような例となるアーキテクチャと、それらが伝統的な MF をどのように拡張しているかを強調する。

実験結果

リサーチクエスチョン

• RQ1 レコメンドシステムで用いられる深層学習技術の現状はどうなっているか。
• RQ2 深層学習ベースのレコメンドモデルを体系的に分類するにはどうすればよいか、これらのカテゴリの長所と限界は何か。
• RQ3 深層学習ベースのレコメンダーを展開する際の主要な課題と未解決事項は何か、将来の方向性は何が有望か。

主な発見

• 深層学習は非線形相互作用のモデリング、豊かな表現学習、系列モデリング、および推奨のためのマルチモーダルデータ統合を可能にする。
• 柔軟なエンドツーエンドの微分可能なフレームワークにより、テキスト、画像、音声、ビデオなどさまざまなデータソースに適用可能なハイブリッドモデルへ複数のニューラル構成要素を組み合わせることができる。
• RNNsとCNNsは、セッションベースの推奨や次アイテム予測のようなシーケンシャルおよび文脈的推奨タスクに効果的なメカニズムを提供する。
• アテンション機構とニューラル構築要素は、推奨の解釈性と説明可能性の向上に寄与する。
• この調査は、解釈性、データ要件、ハイパーパラメータ調整などの未解決課題を特定し、分野の将来の方向性を概説する。