一、基本信息
论文题目：《Deep Learning based Recommender System: A Survey and New Perspectives》
发表时间：2017
论文作者及单位：Zhang S （University of New South Wales）, Yao L （University of New South Wales）, Sun A .（南洋理工大学）
论文地址：https://arxiv.org/pdf/1707.07435.pdf
我的评分：5颗星
二、摘要
近年来，深度学习引发的革命已经在语音识别、图像分析、自然语言理解等领域获得了广泛的关注。其中，最近的研究也表明它在处理信息检索和推荐任务上也有着不错的成绩。与传统的推荐模型相比，深度学习的方法能够更加理解用户的需求、产品的特性以及用户与产品的历史交互信息。
本文旨在通过对将深度学习应用于推荐系统的现状进行综述以达到促进推荐系统研究的创新的目的，文中将应用深度学习的推荐模型进行了分类，并用来区分各种不同的文章。在对已有工作与研究回顾后，本文还对未来可以研究的方向进行了讨论。
三、论文的主要贡献
1、系统性地回顾了深度学习技术在推荐系统中的应用，并对当前此方面的研究提出了一种新的分类方式
2、对最新的研究进行了回顾并总结了他们各自的优点与不足之处,籍此专业人士可以很容易地针对特定问题来定位模型，或者发现未解决的问题
3、讨论了此领域的一些挑战与公开问题，并阐述了将来的趋势与研究方向
四、论文的主要内容与工作
1、将传统的分类方法根据使用深度学习模型的不同将采用深度学习的推荐系统分为八类，分别是MLP/AE/CNN/RNN/DSSM/RBM/NADE/GAN，本文根据使用深度模型类型的数量分为两类分别是使用单一深度学习技术的模型和深度组合模型，此外还根据是否与传统推荐模型结合分为了单独使用深度学习模型的推荐系统和将深度学习与传统模型结合的推荐系统。
2、统计了近10年来推荐系统领域发表论文，定性分析了推荐系统研究的概况。包括研究的方向、使用的数据集、采用的评估函数、应用的领域等
3、详细介绍了MLP、AE、CNN、RNN、DSSM、RBM、以及将NADE和GAN结合成的模型应用于推荐系统的方法
4、简要介绍了几种深度组合模型的方法，包括CNN和AE结合、CNN和RNN结合、CNN和MLP结合、RNN和AE结合、RNN和MLP结合、CNN和DSSM结合、RNN和DSSM结合
5、将来的研究方向与趋势
- 通过丰富的附加信息或者特征工程来深度理解物品的特性与用户的需求
- 探索新的深度组合模型
- 根据用户的时序动态信息进行推荐
- 跨领域推荐（例如使用迁移学习）
- 多任务学习
- 引入注意力机制
- 可扩展性（例如实时处理流数据、处理高维数据、平衡模型复杂度与效率）
- 新的评价矩阵
五、总结
深度学习的兴起带来了一波人工智能的热潮，近年来将深度学习替代传统方法应用于解决问题的研究也越来越多，在推荐系统领域也是这样。这篇文章很好地对近年来将深度学习应用于推荐系统的研究进行了概括，条理很清晰，对初入该领域的研究者能起到很好的帮助。