Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works 2017.12
全文从三部分来介绍：协作系统、基于内容的系统和混合系统。
本文还讨论了结合了深度学习的推荐系统对多个应用领域的贡献，讨论了推荐系统中的深度学习对不同领域的影响和深度学习是否显著改善传统的推荐系统。最后，本文根据深度学习在推荐系统中的应用现状对未来的研究方向提供一些见解。
协同过滤（仅使用用户与商品的交互信息生成推荐）系统、基于内容（利用用户偏好和／或商品偏好）的系统和混合推荐模型（使用交互信息、用户和商品的元数据）。这些类别中的模型都有局限性，如数据稀疏性、用户和商品的冷启动。
使用以下关键词提取文章：「recommender system deep learning」、「collaborative filtering deep learning」、「recurrent neural network recommender systems」；时间设置为「Since 2013」选择近5年。综述了每篇文章中用于提升推荐模型的深度学习方法，并了解验证所用的不同数据集。
图总结了 33 篇论文中与每种模型相关的论文数量，发现大部分近期论文关于协同过滤推荐系统。下一节将讨论它使用的深度学习方法，并简要讨论深度学习如何提升传统推荐模型。
论文详细介绍https://cloud.tencent.com/developer/article/1120514
基于内容的推荐
Last.fm 数据集和 Echo Nest Taste Profile音乐推荐子数据集：1深层卷积神经网络利用音频生成歌曲的潜在因子；2结合深度信念网络和概率图模型的模型，从音频内容中同时学习特征和制定个性化推荐
LSTM对话基于内容的推荐系统。4基于 GPU 的循环神经网络提高冷启动的协同过滤性能 5注意力机制模型用于生成复杂特征来表示文章的风格
基于协同过滤的系统
深度学习对协同过滤推荐系统的主要贡献。其中大多数方法都在尝试使用一些深度神经网络代替矩阵分解。
1在 CiteULike 数据集和 Netflix 数据集上解决CF的稀疏；2将深度学习特征融合到 CF 模型（如矩阵分解）的框架。3概率评分自编码器，执行无监督特征学习；4协同过滤可以转化为序列预测问题，用循环神经网络 5使用图像和文本等特征以加强基于 RNN 的会话推荐系统 5使用基于贝叶斯统计的变分推断模型来提升循环神经网络的预测性能 6深度学习初始化用户和推荐条目的潜在特征向量以提升社会信用的推荐效果，数据集（Epinions 和 Flixster） 7个性化排名深度神经网络模型
CiteuLike 、Pinterest 、MovieLens movies、Amazon Music 和 Amazon movies 、Flixster、Douban、YahooMusic、MovieLens100K、MovieLens1M、MovieLens10M
混合系统
1开发了两种基于神经网络的方法来改进个性化标签推荐 2基于卷积神经网络的模型来吸收用户或者推荐条目的元数据信息，从而改进矩阵分解方法。 3于去噪自编码器的协同过滤方法。论文表示，该模型是一种适用于所有协同过滤方法的泛化框架，但能更灵活地做精调。在 ItemPop、ItemCF、Matrix factorization、BPR、FISM on MovieLens、Yelp、Netflix 基线上，该模型都极为卓越。4深度语义矩阵分解模型来改进个性化标签推荐 5带有注意的神经网络来解决终端用户推荐 6、doc2vec 模型来表达用户与推荐条目的信息，并使用分类器预测条目与用户间的关系 7上下文感知混合模型
结论以及未来工作的方向
我们发现大部分深度学习方法都在增强协同过滤方法，而且相比于矩阵分解方法有极大地改进。我们也发现大部分深度学习方法都偏向于娱乐产业，比如音乐与电影推荐。这极大可能归因于数据集的丰富，效果方便验证。
根据目前的趋势，我们预计推荐系统会沿以下方向发展：
- 在其他领域创造公开数据集，例如学术作者-文章数据集、在线零售数据集、包含用户-推荐条目的交互信息以及有关用户、推荐条目丰富元数据的数据集；
- 构建把用户包含在内的测试台，评估推荐系统在近真实环境中的性能改进。目前，以上大部分研究成果中，使用深度学习改进的范围大约在 5%-8%。但这种改进也需要在真实环境中测试。这也可以由收益后部署分析或者把产业推荐系统与深度学习集成后的方法来完成。
- 我们还需要进行元分析，在同样的基准上对比所有的深度学习模型。
