078 | 基于深度学习的推荐模型之三：利用深度学习来扩展推荐系统
洪亮劼
该思维导图由 AI 生成，仅供参考
这周，我们主要讨论如何利用深度学习来提升推荐系统的精度。我们分别介绍了使用 RBM（Restricted Boltzmann Machines，受限波兹曼机）来对推荐系统建模，和 RNN（Recurrent Neural Network，递归神经网络）在推荐系统中的应用。
今天，我们最后再来看一看，还有哪些深度学习的思潮在影响着推荐系统。这些思想都是一些值得关注和学习的方向，虽然这些方法能否在短时间内成为主流还有待检验。
多层神经网络
深度学习开始从计算机视觉这一人工智能子领域慢慢向其他领域扩展，在这个大背景下，很多学者和实践者总结出了深度学习获得成功的一大法宝，那就是能够从众多的信息中学习到高维度的特性（Feature）。比如，在计算机视觉里，通过多层神经网络建立的深度学习模型往往能够识别出类似“边”、“角”、“形状”等视觉概念。于是，大家就形成了这样一个普遍认识：多层神经网络是一种提取特性的利器。
和很多其他领域的思路一样，在推荐领域的学者也开始尝试利用多层神经网络对用户和物品的信息进行提取。这里面比较经典的思路是：直接利用多层神经网络，来尝试我们之前已经讲过的基于矩阵分解的推荐模型。
在矩阵分解的例子里，我们学习到的是用户的隐变量和物品的隐变量。这两者的点积成为评分的预测结果。在这个模型框架里可以认为，用户的隐变量和物品的隐变量是我们从数据中提取的特性信息。只不过，这种特性的提取是一种线性变换，而深度学习模型寻求的是多层次的非线性变换。
利用多层神经网络提取用户和物品特性的基本思路是这样的。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
深度学习在推荐系统中的应用是当前热门话题之一。本文介绍了利用深度学习来扩展推荐系统的方法和思路。首先，介绍了利用多层神经网络对用户和物品的信息进行提取，以及如何利用自动编码器和CNN等其他深度学习模型来扩展推荐系统的表现力。然后，指出了深度学习在推荐系统中的应用仍面临着技术大于实际效果的挑战，尚未有太多令人信服的成功案例。最后，提出了深度学习模型在推荐领域应用的最大问题或挑战，并欢迎读者留言讨论。总的来说，本文深入浅出地介绍了深度学习在推荐系统中的应用现状和挑战，对于想要了解该领域最新技术动态的读者具有一定的参考价值。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI 技术内参》，新⼈⾸单¥98
《AI 技术内参》，新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(2)
- 最新
- 精选
- 永夜推荐的时候有一个很重要的影响效果的点是“用户可接受的推荐理由”，例如：你的哪个朋友喜欢，根据你的历史推荐，喜欢买某东西的还买什么，当前热门购买是什么，用户能理解的他就更买账一些，深度学习出来的推荐结果未必能给出理由来吧？2018-04-181
林彦深度学习在推荐系统的应用我的理解一个是开始数据不多(冷启动状况)时的问题。 还有一种可能是这些数据特征(包括嵌入的)的学习方法，可解释性。新特征的学习方法较多依赖于语义分析。是否这些输入特征已包含足够多的信息可以用来作推荐？和旧模型如何合理地比较提升水平？深度学习在推荐系统如何使用更原始的特征而不借助于其他模型的帮助？还是说这种融合模型是一种效果不错，性价比高的方案？2018-04-13
收起评论