[论文解读] 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 656

一句话总结

基于深度学习的推荐系统的全面综述，提出一个分类体系、前沿概览、挑战和未来方向。

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.

研究动机与目标

• 对推荐系统中使用的深度学习技术进行系统性综述。
• 提出一个分类体系以组织现有的基于深度学习的推荐模型。
• 概述在不同数据模态和任务上的前沿模型及应用。
• 讨论该领域的挑战、未解问题和未来研究方向。

提出的方法

• 按神经网络构建块的类型对基于深度学习的推荐模型进行分类（如 MLP、AE、CNN、RNN、RBM、NADE、注意力模型、对抗网络、DRL）。
• 描述一个将多种神经组件组合在一起的深度混合模型的第二维度。
• 回顾来自主要场馆和数据库的广泛文献（超过 100 项研究），以绘制当前趋势。
• 突出示例架构，如 Neural Collaborative Filtering 和 Deep Factorization Machines，以及它们如何扩展传统的 MF。

实验结果

研究问题

• RQ1 当前在推荐系统中使用的深度学习技术的总体格局是什么？
• RQ2 我们如何对基于深度学习的推荐模型进行系统分类，这些类别的优劣是什么？
• RQ3 部署基于深度学习的推荐系统面临的关键挑战与未解决问题是什么，哪些未来方向是有前景的？

主要发现

• 深度学习使非线性交互建模、丰富的表示学习、序列建模和多模态数据整合成为可能，用于推荐。
• 一个灵活的端到端可微分框架允许将多种神经构建块组合成可应用于各种数据源（文本、图像、音频、视频）的混合模型。
• RNNs 和 CNNs 为序列和上下文推荐任务提供了有效的机制，如基于会话的和下一个项预测。
• 注意力机制和神经构建块有助于提高推荐的可解释性。
• 该综述指出了可解释性、数据需求和超参数调优等未解决的问题，并勾勒了该领域的未来方向。