【RS】Deep Learning based Recommender System: A Survey and New Perspectives – 基于深度学习的推荐系统：调查与新视角

【论文标题】Deep Learning based Recommender System: A Survey and New Perspectives （ ACM Computing Surveys · July 2017）

【论文作者】

SHUAI ZHANG, University of New South Wales
LINA YAO, University of New South Wales
AIXIN SUN, Nanyang Technological University
YI TAY, Nanyang Technological University

【论文链接】Paper （35-pages // Single column）

 

=======================<札记非FY> （以下着重 mark 关于CNN的推荐系统！）=========================

 

3  基于深度学习的推荐:最先进的

3.4  基于卷积神经网络的推荐

卷积神经网络在处理非结构化多媒体数据时具有很强的卷积和池运算能力。基于神经网络的推荐模型大多利用神经网络进行特征提取。

 

基于CNNs的特征表示学习。 CNNs可用于从图像、文本、音频、视频等多种来源学习特征表示。

1）用于图像特征提取的CNNs。

2）用于文本特征抽取的CNNs。

3）用于音频、视频特征抽取的CNNs。

 

基于协同过滤的CNNs。 将CNNs直接应用于香草协同过滤也是可行的。

例如，

① he et al.[51]等人提出利用CNNs来改进NCF，并给出了（表示出了）ConvNCF。 它使用外部积而不是点积来建模用户项交互模式。 将神经网络应用于外积结果上，可以捕获嵌入维数之间的高阶关联。

[51] Xiangnan He, Xiaoyu Du, Xiang Wang, Feng Tian, Jinhui Tang, and Tat-Seng Chua. 2018. 

Outer Product-based Neural Collaborative Filtering. (2018).

②  Tang 等[143]利用CNNs提出了顺序推荐(带用户标识)，……

 

阅读论文《Outer Product-based Neural Collaborative Filtering》

（ https://www.ijcai.org/proceedings/2018/308）

 

【论文作者】

SHUAI ZHANG, University of New South Wales
LINA YAO, University of New South Wales
AIXIN SUN, Nanyang Technological University
YI TAY, Nanyang Technological University

【论文链接】Paper （35-pages // Single column）

 

=======================<札记非FY> （以下着重 mark 关于CNN的推荐系统！）=========================

 

3  基于深度学习的推荐:最先进的

3.4  基于卷积神经网络的推荐

卷积神经网络在处理非结构化多媒体数据时具有很强的卷积和池运算能力。基于神经网络的推荐模型大多利用神经网络进行特征提取。

 

基于CNNs的特征表示学习。 CNNs可用于从图像、文本、音频、视频等多种来源学习特征表示。

1）用于图像特征提取的CNNs。

2）用于文本特征抽取的CNNs。

3）用于音频、视频特征抽取的CNNs。

 

基于协同过滤的CNNs。 将CNNs直接应用于香草协同过滤也是可行的。

例如，

① he et al.[51]等人提出利用CNNs来改进NCF，并给出了（表示出了）ConvNCF。 它使用外部积而不是点积来建模用户项交互模式。 将神经网络应用于外积结果上，可以捕获嵌入维数之间的高阶关联。

[51] Xiangnan He, Xiaoyu Du, Xiang Wang, Feng Tian, Jinhui Tang, and Tat-Seng Chua. 2018. 

Outer Product-based Neural Collaborative Filtering. (2018).

②  Tang 等[143]利用CNNs提出了顺序推荐(带用户标识)，……

 

阅读论文《Outer Product-based Neural Collaborative Filtering》

（ https://www.ijcai.org/proceedings/2018/308）

 

【论文作者】

SHUAI ZHANG, University of New South Wales
LINA YAO, University of New South Wales
AIXIN SUN, Nanyang Technological University
YI TAY, Nanyang Technological University

【论文链接】Paper （35-pages // Single column）

 

=======================<札记非FY> （以下着重 mark 关于CNN的推荐系统！）=========================

 

3  基于深度学习的推荐:最先进的

3.4  基于卷积神经网络的推荐

卷积神经网络在处理非结构化多媒体数据时具有很强的卷积和池运算能力。基于神经网络的推荐模型大多利用神经网络进行特征提取。

 

基于CNNs的特征表示学习。 CNNs可用于从图像、文本、音频、视频等多种来源学习特征表示。

1）用于图像特征提取的CNNs。

2）用于文本特征抽取的CNNs。

3）用于音频、视频特征抽取的CNNs。

 

基于协同过滤的CNNs。 将CNNs直接应用于香草协同过滤也是可行的。

例如，

① he et al.[51]等人提出利用CNNs来改进NCF，并给出了（表示出了）ConvNCF。 它使用外部积而不是点积来建模用户项交互模式。 将神经网络应用于外积结果上，可以捕获嵌入维数之间的高阶关联。

[51] Xiangnan He, Xiaoyu Du, Xiang Wang, Feng Tian, Jinhui Tang, and Tat-Seng Chua. 2018. 

Outer Product-based Neural Collaborative Filtering. (2018).

②  Tang 等[143]利用CNNs提出了顺序推荐(带用户标识)，……

 

阅读论文《Outer Product-based Neural Collaborative Filtering》

（ https://www.ijcai.org/proceedings/2018/308）