推荐系统技术综述(On Recommendation via Deep & Broad Learning)-优快云博客

本文链接：https://blog.youkuaiyun.com/Fairyeng/article/details/115343710

作者：Philip S.Yu，听到大佬本人做的一个比较宽泛的综述，讲的蛮好的，遂记录以激励本菜鸡。

文章目录

Background
Product Recommendation
Friend Recommendation
Summary

Background

推荐系统在选择方面有着非常广泛的应用

电子商务购物
社交网络交友
医疗
问答系统
在线招聘
…

个性化推荐
在大数据时代，根据每个人的individual information来做个性化推荐。

主要技术如下

Collaborative filtering：那些和他相似的顾客喜欢什么，为他推荐什么
Content based：考虑商品的相似性做推荐

存在问题

冷启动：对于新注册的用户和新的商品，如何为用户做推荐？如何把新商品推荐给需要的人？
表示方法(representation of users/items)：高维表示过于稀疏，低维表示可能丢失重要信息。如何找到一个合适的能捕获交互关系的表示方法

机会

大量的数据信息可以帮助我们发现用户和商品间的关系，但异质性数据和不同种类的关系会复杂化表示学习
先进技术的出现：深度学习学习低维表达，广度学习(broad learning)融合不同种类数据

广度学习的流程：

确定并获取有用的数据源
设计模型从异质性数据中融合信息
根据模型需求挖掘数据

Multi-Source Fusion
在这里插入图片描述

Product Recommendation

Structure (relation) information

传统的协同过滤
在这里插入图片描述
User-item之间形成了一个二部图，只有用户和产品之间的连接，用户与用户之间/产品与产品之间没有连线。
因此我们需要其他的连线/结点来解决冷启动问题，提高推荐质量

Social network/Knowledge base

在这里插入图片描述

橘黄色就是协同过滤里的二部图；绿色加入知识图谱(找到电影之间的关系)；蓝色加入社交网络(找朋友)；紫色加入用户画像(寻找不同用户间的相似用户)
加入许多其他元路径后，推荐效果显著提升

2.用深度学习的方法来更好的学习embedding
在这里插入图片描述
实验结果

3.考虑地更加细致，表示学习学到的feature可能有不同的aspect(比如喜欢某个品牌的裤子、某个风格的裙子)，我们可以通过更加细致的划分学得更好。
在这里插入图片描述

Cross Domain Sources

1.把不同网站上的信息资料整合到一起，比如amazon是一个电商平台，它只有用户的购买、点击等交互记录，如果可以把Facebook的交友信息也添加进来，就可以获得更多的信息用于推荐。
在这里插入图片描述
如何对应两个网站中的信息？

效果显著提高
2.也可以找两个相似的网站，如电影网站IMBD和豆瓣，其目标用户不同，例如通过电影上映时间差，收集IMBD上的观众对该电影的评分，对应到豆瓣的相似用户，来预测他们对该电影的评分。可以很好地解决冷启动问题
在这里插入图片描述

同一个电影它的embedding是相同的

2.考虑两种不同的物品，如书和CD，利用用户对书的评价预测他对CD的评价。

因为user是相同的，所以是利用user的representation

Context Information

Basket/Session Information

上文是在讲推荐类似的商品给用户，比如看完一本书，推荐另一本；看完一部电影，推荐另一部。但有些推荐场景并不适用，比如去到超市买好多东西，我们可以把它看作是朝一个篮子里面放什么东西，买东西的过程中，篮子里面已经有许多东西了，下一个可能被放入的是什么？或者篮子是空的，根据以往的篮子，要买的是什么。本质上就是在捕捉产品之间的关系。
在这里插入图片描述
首先我们要确定intent

从前我们只需要看user与item之间的关系，现在多了basket

从basket里面确定intent，从intent里面找要买的东西

利用深度学习的方法构建框架

效果有显著的提升

Text Information

Product Review

我们做推荐其实是在寻找相似的user去推荐给他们对方喜欢的item，如果两个user同时给一个item评分为4，为此把这两个user认为是相似的，其实是不合理的，因为他们给出相同分数的原因可能完全不同，user A可能因为产品质量好所以评分为4，user B可能因为产品十分美观所以评分为4。因此我们引入用户的review，找到其真实的偏好原因。
在这里插入图片描述
随着深度学习NLP等技术的发展，文本分析成为了可能

1.可以从用户/商品的角度来看待review，对用户和商品进行一个特性刻画

2.把双方的评价作为输入得到embedding，然后找到相关性做推荐

3.把这种想法与之前的模型做一个融合
在这里插入图片描述
效果显著提升

Product Description

1.商品的描述也可以作为是一种text information，由商家提供
在这里插入图片描述
以一个samsung的吸尘器的描述为例，它的内容包含了很多方面的内容，比如规格、技术、电池等，但用户只关注其中的1～2点来发表评价，并不会全都涉及。

2.结合review和description
对于用户使用用户喜欢item的title来描述，对于商品使用他收到的reviews来描述
在这里插入图片描述

Temporal pattern

引入时间序列，之前买过的商品影响着下一件购买的物品
在这里插入图片描述
引入知识图谱等资讯

2.引入其他用户，因为协同过滤是在找相似的用户，可以帮助推荐，因此可以考虑其他用户的时间序列

在考虑他人影响的情况下，加入时间序列的影响

该文章为“Gated Spectral Units：Modeling Co-evolving Patterns For SequentialRecommendation”，ACM SIGIR 2019，并没有特别听懂当时讲的思路，感兴趣的朋友可以自行查阅。

Friend Recommendation

把不同的社交网络连接在一起，做朋友推荐。类似产品推荐里面的cross domain
在这里插入图片描述
不同社交网络中用户ID可能不同，而且其所实现的功能也有所差异

如何把成熟的社交网络转换到一个新系统中做好友推荐，把下面这四种信息融合到一起

如何融合这些不同的异质信息？找一个schema表示不同类别的节点之间的关系，然后找到人与人之间的关系，推荐他们做朋友在这里插入图片描述
如果u1和u2同时follow u3，或者u3同时follow u1和u2，那么表示u1与u2相似
或者u1和u2喜欢发类似的文字/在相同的地址打卡/…他们也有相似性在里面。

跨社交网络来做，相同的用户在不同的平台其representation都应该是相似的。
在这里插入图片描述