文章解析1

题目：《Collaborative filtering and deep learning based recommendation system for cold start items》

摘要结构：RS介绍，RS中应用较广泛的方法CF，CF出现的两个问题（complete cold start(CCS), incomplete cold start(ICS)), 针对以上出现的两个问题，提出了CF+DL的方法，CF采用time SVD++模型, DL采用SADE模型. 在数据集Netflix movie上进行实验，实验结果比其他baseline modles效果好,在ICS上评价冷启动和非冷启动的效果.提出的方法的效果:适宜有效,可应用其他推荐系统,能提高用户体现和真实性.

关键词： RS(recommendation system), CF， cold start problem, deep learning neural network, data mining

INTRODUCTION

RS介绍，RS的应用，对...领域的影响

根据数据获取和使用方式在RS中的不同，RS的方法可以分为三类：content-based (CB), collaborative filtering (CF) and hybrid one；

CB filtering对推荐系统设计很重要，使用项目内容创建功能和属性匹配用户的配置。这种方法的一个主要的问题是需要了解用户的偏好。

CF方法是RS中应用最广泛的方法，利用从用户过去行为中获取的大量的数据预测用户喜欢的项目。用图表表示CF方法，并介绍

CF方法存在的问题：sparsity and cold start (CS) problems(稀疏性和冷启动)问题.举例引用文献，证明存在的问题，

The hybrid approach方法存在的问题；

文章研究了CS推荐系统在将指定的项目推荐给普通用户时提供预测存在的问题，并提出一个解决方案预测CCS项目和ICS项目的普遍性。文章的两个动机如下：

1.CS项目需要推荐然后获取评分来提高推荐。

2.评估等级

我们设计了两个集成的推荐模型。DL(SDAE)+CF(timeSVD++)简单描述两者的先后顺序

贡献如下:

提出了一个通用的框架,集成DL和CF方法.

CF项目推荐的CF方法和机器学习算法相结合的框架是一般的,算法可以应用到一般的推荐系统

在通用框架之上,state of the art 模型 timeSVD++, SADE模型被使用

对比实验

文章的布局如下:本文的其余部分组织如下。第2节介绍了相关的作品。第3节介绍了研究的问题和建议的建议模式。第4节介绍了评价方法和实验结果。最后第5节总结了论文。

related work

做了什么研究（引用）存在的问题（一定要指出来）

相关概念：TF-IDF(一)：自动提取关键词