【RS】A review on deep learning for recommender systems: challenges and remedies- 推荐系统深度学习研究综述：挑战和补救措施

【论文标题】A review on deep learning for recommender systems: challenges and remedies  （Artificial Intelligence Review，201906）

【论文作者】Zeynep Batmaz 1 · Ali Yurekli 1 · Alper Bilge 1 · Cihan Kaleli 1 

【论文链接】Paper （37-pages // Single column）

 

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

 

4  Perspectival synopsis of deep learning within recommender systems

4.1 推荐系统的深度学习技术

4.1.1 推荐系统的限制玻尔兹曼机

4.1.2 推荐系统的深度信念网络

4.1.3 推荐系统的自动编码器

4.1.4 推荐系统的循环神经网络

4.1.5 推荐系统的卷积神经网络

CNN使用至少一个层的卷积，这类神经网络用于特定的任务，如图像识别和对象分类。 推荐系统也受益于CNNs。

 

1）Oordet al.(2013)利用CNNs从音频数据中提取无法从用户反馈中获得的隐含因子。

2）Shenet al.(2016)利用CNNs从文本数据中提取隐含因子。

3）Zhou等(2016)提取视觉特征，目的是生成用户的视觉兴趣档案，以供推荐。

4）Lei等(2016)利用CNNs提取图像的隐含特征，目的是将特征和用户偏好映射到相同的隐含空间。

5）使用CNNs提取的文本信息的语义意义也被用于推荐系统，特别是上下文感知的推荐系统，以提供更有资格的推荐(Wu等人)。

 

因此，CNNs主要用于从数据中提取潜在因素和特征，尤其是从图像和文本中提取，以用于推荐。

 

 

4.1.6 其他技术

 

4.2  对推荐系统的挑战的补救措施

4.2.1 提高精度的解决方案

4.2.2 稀疏性和冷启动问题的解决方案

1）Oord等(2013)利用CNN从音乐音频信号中提取高级特征，处理基于cf的方法中的冷启动问题。

 

2）Shin etal.(2015)也利用边信息处理稀疏性和冷启动问题进行博客推荐。他们将从文本和图像中提取的特征分别与word2vec和CNNs集成到他们提出的增强归纳矩阵补全方法中。

 

3） Shen等(2016)将CNNs提取的隐含因子整合到矩阵因子分解中，利用隐含因子模型处理稀疏性问题。

ShenX,YiB,ZhangZ,ShuJ,LiuH(2016)

Automatic recommendation technology for learning resources with convolutional neural network. 

In:Proceedings of the international symposium on educational technology, Beijing, China, pp 30–34

——是关于书籍推荐领域的， 提出一种在电子学习环境中为学生提供个性化书籍推荐的方法。

（详情见：https://www.cnblogs.com/shenxiaolin/p/11238160.html）

 

4） Kim等人(2017)利用CNN从图像中提取特征，旨在缓解标签感知推荐系统中标签的不足。

Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026

 

5）Ebesu和Fang(2017)提出利用深度神经网络从用户的隐式反馈和项目的文本内容信息中学习项目表示。

 

6）Tuan和Phuong(2017)利用3D-CNNs对基于会话的推荐系统中项目的内容信息进行整合，解决稀疏性问题。

 

 

4.2.3 可伸缩性问题的解决方案

 

 

4.3  对推荐领域的认识和普及

 

 

4.4  专业的推荐系统和深度学习

4.4.1 动态推荐系统

（几乎无涉及CNN）

4.4.2 上下文感知推荐系统

（各种CNN）

1）Kim等人(2017)提出利用CNNs从项目的文本描述中获取上下文信息。

Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026

2）

 

4.4.3 Tag-aware recommender systems 标签感知推荐系统

 

6  见解和讨论

 

（4）CNNs和dbns主要用于文本、音频和图像输入的特征工程。所提取的特征可以用于基于内容的过滤技术，也可以作为CF中的边信息。

 

 

【论文作者】Zeynep Batmaz 1 · Ali Yurekli 1 · Alper Bilge 1 · Cihan Kaleli 1 

【论文链接】Paper （37-pages // Single column）

 

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

 

4  Perspectival synopsis of deep learning within recommender systems

4.1 推荐系统的深度学习技术

4.1.1 推荐系统的限制玻尔兹曼机

4.1.2 推荐系统的深度信念网络

4.1.3 推荐系统的自动编码器

4.1.4 推荐系统的循环神经网络

4.1.5 推荐系统的卷积神经网络

CNN使用至少一个层的卷积，这类神经网络用于特定的任务，如图像识别和对象分类。 推荐系统也受益于CNNs。

 

1）Oordet al.(2013)利用CNNs从音频数据中提取无法从用户反馈中获得的隐含因子。

2）Shenet al.(2016)利用CNNs从文本数据中提取隐含因子。

3）Zhou等(2016)提取视觉特征，目的是生成用户的视觉兴趣档案，以供推荐。

4）Lei等(2016)利用CNNs提取图像的隐含特征，目的是将特征和用户偏好映射到相同的隐含空间。

5）使用CNNs提取的文本信息的语义意义也被用于推荐系统，特别是上下文感知的推荐系统，以提供更有资格的推荐(Wu等人)。

 

因此，CNNs主要用于从数据中提取潜在因素和特征，尤其是从图像和文本中提取，以用于推荐。

 

 

4.1.6 其他技术

 

4.2  对推荐系统的挑战的补救措施

4.2.1 提高精度的解决方案

4.2.2 稀疏性和冷启动问题的解决方案

1）Oord等(2013)利用CNN从音乐音频信号中提取高级特征，处理基于cf的方法中的冷启动问题。

 

2）Shin etal.(2015)也利用边信息处理稀疏性和冷启动问题进行博客推荐。他们将从文本和图像中提取的特征分别与word2vec和CNNs集成到他们提出的增强归纳矩阵补全方法中。

 

3） Shen等(2016)将CNNs提取的隐含因子整合到矩阵因子分解中，利用隐含因子模型处理稀疏性问题。

ShenX,YiB,ZhangZ,ShuJ,LiuH(2016)

Automatic recommendation technology for learning resources with convolutional neural network. 

In:Proceedings of the international symposium on educational technology, Beijing, China, pp 30–34

——是关于书籍推荐领域的， 提出一种在电子学习环境中为学生提供个性化书籍推荐的方法。

（详情见：https://www.cnblogs.com/shenxiaolin/p/11238160.html）

 

4） Kim等人(2017)利用CNN从图像中提取特征，旨在缓解标签感知推荐系统中标签的不足。

Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026

 

5）Ebesu和Fang(2017)提出利用深度神经网络从用户的隐式反馈和项目的文本内容信息中学习项目表示。

 

6）Tuan和Phuong(2017)利用3D-CNNs对基于会话的推荐系统中项目的内容信息进行整合，解决稀疏性问题。

 

 

4.2.3 可伸缩性问题的解决方案

 

 

4.3  对推荐领域的认识和普及

 

 

4.4  专业的推荐系统和深度学习

4.4.1 动态推荐系统

（几乎无涉及CNN）

4.4.2 上下文感知推荐系统

（各种CNN）

1）Kim等人(2017)提出利用CNNs从项目的文本描述中获取上下文信息。

Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026

2）

 

4.4.3 Tag-aware recommender systems 标签感知推荐系统

 

6  见解和讨论

 

（4）CNNs和dbns主要用于文本、音频和图像输入的特征工程。所提取的特征可以用于基于内容的过滤技术，也可以作为CF中的边信息。

 

 

【论文作者】Zeynep Batmaz 1 · Ali Yurekli 1 · Alper Bilge 1 · Cihan Kaleli 1 

【论文链接】Paper （37-pages // Single column）

 

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

 

4  Perspectival synopsis of deep learning within recommender systems

4.1 推荐系统的深度学习技术

4.1.1 推荐系统的限制玻尔兹曼机

4.1.2 推荐系统的深度信念网络

4.1.3 推荐系统的自动编码器

4.1.4 推荐系统的循环神经网络

4.1.5 推荐系统的卷积神经网络

CNN使用至少一个层的卷积，这类神经网络用于特定的任务，如图像识别和对象分类。 推荐系统也受益于CNNs。

 

1）Oordet al.(2013)利用CNNs从音频数据中提取无法从用户反馈中获得的隐含因子。

2）Shenet al.(2016)利用CNNs从文本数据中提取隐含因子。

3）Zhou等(2016)提取视觉特征，目的是生成用户的视觉兴趣档案，以供推荐。

4）Lei等(2016)利用CNNs提取图像的隐含特征，目的是将特征和用户偏好映射到相同的隐含空间。

5）使用CNNs提取的文本信息的语义意义也被用于推荐系统，特别是上下文感知的推荐系统，以提供更有资格的推荐(Wu等人)。

 

因此，CNNs主要用于从数据中提取潜在因素和特征，尤其是从图像和文本中提取，以用于推荐。

 

 

4.1.6 其他技术

 

4.2  对推荐系统的挑战的补救措施

4.2.1 提高精度的解决方案

4.2.2 稀疏性和冷启动问题的解决方案

1）Oord等(2013)利用CNN从音乐音频信号中提取高级特征，处理基于cf的方法中的冷启动问题。

 

2）Shin etal.(2015)也利用边信息处理稀疏性和冷启动问题进行博客推荐。他们将从文本和图像中提取的特征分别与word2vec和CNNs集成到他们提出的增强归纳矩阵补全方法中。

 

3） Shen等(2016)将CNNs提取的隐含因子整合到矩阵因子分解中，利用隐含因子模型处理稀疏性问题。

ShenX,YiB,ZhangZ,ShuJ,LiuH(2016)

Automatic recommendation technology for learning resources with convolutional neural network. 

In:Proceedings of the international symposium on educational technology, Beijing, China, pp 30–34

——是关于书籍推荐领域的， 提出一种在电子学习环境中为学生提供个性化书籍推荐的方法。

（详情见：https://www.cnblogs.com/shenxiaolin/p/11238160.html）

 

4） Kim等人(2017)利用CNN从图像中提取特征，旨在缓解标签感知推荐系统中标签的不足。

Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026

 

5）Ebesu和Fang(2017)提出利用深度神经网络从用户的隐式反馈和项目的文本内容信息中学习项目表示。

 

6）Tuan和Phuong(2017)利用3D-CNNs对基于会话的推荐系统中项目的内容信息进行整合，解决稀疏性问题。

 

 

4.2.3 可伸缩性问题的解决方案

 

 

4.3  对推荐领域的认识和普及

 

 

4.4  专业的推荐系统和深度学习

4.4.1 动态推荐系统

（几乎无涉及CNN）

4.4.2 上下文感知推荐系统

（各种CNN）

1）Kim等人(2017)提出利用CNNs从项目的文本描述中获取上下文信息。

Kim D, Park C, Oh J, Yu H (2017) Deep hybrid recommender systems via exploiting document context and statistics of items. Inf Sci 417:72–87. https://doi.org/10.1016/j.ins.2017.06.026

2）

 

4.4.3 Tag-aware recommender systems 标签感知推荐系统

 

6  见解和讨论

 

（4）CNNs和dbns主要用于文本、音频和图像输入的特征工程。所提取的特征可以用于基于内容的过滤技术，也可以作为CF中的边信息。