5、基于深度学习的推荐系统综述

基于深度学习的推荐系统综述

1. 推荐系统概述

在当今信息爆炸的时代，互联网上的信息不断增加，在线电影、歌曲和商店迅速发展，用户希望能在最短时间内获取所需信息。推荐系统（RS）应运而生，它能为用户提供个性化信息和服务，避免娱乐和社交媒体中的信息过载问题。

推荐系统主要分为以下几类：
- 基于内容的推荐（CB） ：根据用户的描述、特征和个人资料信息进行推荐。它又可分为简单和复合推荐，简单元数据包括文章、照片、博客和视频等，复合元数据则有相关消息组、问题及答案等。这种推荐方式响应时间短、速度快，但存在推荐不足、处理大量数据时准确性低等问题，还面临内容与物品关联有限、冷启动、过度专业化和耗时高等挑战。
- 协同过滤推荐（CF） ：基于用户或物品之间的相似性进行推荐，通过余弦算法和皮尔逊相关系数等计算相似性。CF 构建用户 - 物品矩阵，可分为基于内存和基于模型两类。基于内存的推荐使用用户/物品的资料和评分作为信息存储；基于模型的过滤技术则利用数据挖掘和机器学习方法，如模糊算法、遗传算法、神经网络、贝叶斯网络和奇异值分解（SVD）等。不过，CF 也存在可扩展性、数据稀疏性、灰羊用户问题和冷启动问题等局限性。
- 混合推荐 ：将 CB 和 CF 等技术结合，可分为加权、切换、混合、特征组合、元级、特征增强和特征级联七种类型。例如，EntreeC 结合了基于知识的推荐和 CF 来向美食家推荐餐厅。

推荐系统框架包含数据收集、预处理、深度学习技术、推荐生成以及与现有方法的准确性和性能比较等步骤，如下所示：