Deep Learning for Matching in Search and Recommendation 搜索与推荐中的深度学习匹配（0 摘要）

摘要

推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景。而无论是搜索还是推荐，本质其实都是匹配（match），搜索的本质是给定query，匹配doc；推荐的本质是给定user，推荐item。机器学习已广泛应用于解决此类问题，它基于输入表征和标签数据来学习匹配函数，也称为“learning to match”。近年来，人们努力开发用于匹配搜索和推荐任务的深度学习技术。得益于海量可用性数据数据、强大的计算资源和先进的深度学习技术，用于匹配的深度学习已成为最先进的搜索、推荐技术。深度学习方法成功的关键在于其强大的表示学习和建模能力，可以从数据（例如，查询、文档、用户、物品、上下文等）中学习表示形式并概括匹配模式。

本文对系统综合

本文系统全面地介绍了最近发展起来的搜索推荐深度匹配模型。首先，给出了搜索和推荐中匹配的模式。（It first gives a unified view of matching in search and recommendation.） 这样，可以在一个框架下比较两个领域的解决方案。其次，本文将当前的深度学习解决方案分为两种类型：表示学习方法和匹配函数学习方法（methods of representation learning and methods of matching function learning） 。描述了基本问题以及搜索中查询文档匹配和推荐中用户项匹配的最新解决方案。这项调查旨在帮助来自搜索和推荐社区的研究人员深入了解和洞察空间（insight into the spaces） ，激发更多想法和讨论，并促进新技术的发展。

匹配不仅限于搜索和推荐。类似的问题可以在释义、问答系统、图像注释（paraphrasing, question answering, image annotation） 和许多其他应用程序中找到。一般而言，调查中引入的技术可以概括为一个更一般的任务，即匹配来自两个space 的对象。

参考链接

1. 推荐系统中的深度匹配模型