最近在看深度學習與神經系統方面的文章，發現深度學習對推薦系統有很大的影響，特此進行下總結，為自己接下來的閱讀總結做參考。
1、自編碼器ae：通過乙個編碼和乙個解碼過程來重構輸入資料，學習資料的隱層表示。
多用於：評分**、文字推薦、影象推薦
2、受限玻爾茲曼機rbm：是一種生成式隨機神經網路，bm能夠學習複雜的規則，具有強大的無監督學習能力。rbm去除同層變數之間的所有連線，極大地提高了學習效率。
多用於：使用者評分**
3、深度信念網路dbn：由多層非線性變數連線組成的生成式模型。靠近可見層的部分是多個貝葉斯信念網路，最遠層可見部分則是rbm。dbn的訓練可採用一種貪婪逐層演算法。當前應用場景僅限於**推薦。
4、卷積神經網路cnn：是一種多層感知機，主要被用來處理二維資料影象。
多用於：影象、文字、**推薦
5、迴圈神經網路rnn：最大特點在於神經網路各隱層之間的結點是具有連線的，rnn能對過去的資訊進行記憶。
lstm（長短期記憶網路），gru（門限迴圈單元）
多用於：**評分、影象推薦、文字推薦、基於社交網路自己中的興趣點推薦
這裡主要總結rnn與推薦系統。
3、long and short-term recommendations with recurrent neural networks(2017)（作者同上）
第一篇文章提出了乙個基於lstms（長短期記憶）和引用推薦的神經網路方法，以更好地學習引文的含義並測量引號和上下文之間的相關性。。我們直接學習上下文和引用的分布式意義表示，然後根據意義表示來衡量相關性，特別是，我們試圖根據上下文、主題，甚至作者的引用偏好用特定的嵌入式來表示單詞的引用。首次將神經網路模型應用於引用推薦任務。
第二篇是由布魯塞爾自由大學的博士生在2023年提出來的，他提出將協作過濾看作是乙個序列**問題，並且在給出這種解釋的情況下，將長短期記憶（lstm）的遞迴神經網路應用於協作過濾。lstm在專案覆蓋率和短期**方面遠遠優於其他方法。經典的top-n推薦問題，是一種靜態的**，條目消耗的順序與推薦系統無關。我們建議，推薦不僅應該基於消費的專案，也應基於消費的順序。最後的實驗結果表明，lstm在movielens和netflix資料集上產生非常好的結果，並且在短期**和專案覆蓋方面特別好。
第三篇的作者和第二篇一樣，於2023年發表，在本片文章中，作者描述了許多協作過濾方法的完整短期/長期概要，並且我們展示了如何將迴圈神經網路引向更好的短期或長期**。我們還表明，rnn並不適用於基於會話的協作過濾，但它非常適合在密集資料集上進行協作過濾，因為它比傳統的專案推薦演算法更勝一籌。使用序列資訊可以補償使用者和專案之間記錄的互動的稀缺性。
使用者的動作順序確實存在很多資訊保留，它可能會揭示使用者喜好的演變，可能有助於確定哪些專案與當前使用者的興趣無關，哪些屬於消失興趣的一部分。
同時，本文提出了三種方法：dropout，shuffle sequences，multiple targets來達到improve長期**的效果，這些方法提供了乙個實用的調整機制，可以交換一些短期準確度以獲得更長期的準確性，從而使rnn成為協作過濾更通用的解決方案。
可以看出，lstm或者gru適合訓練帶有時間維度資料的演算法，也適用於自然語言處理（nlp），他連線了過去的資訊到當前任務上，為推薦系統提供了動態推薦的可能。實際應用中，也優於傳統的推薦方法。
關聯分析與推薦系統
什麼是關聯分析？通過關聯規則挖掘事物間存在的關係，從而總結出有意義的規律，進而指導我們的決策。典型應用 購物籃分析 首先，需要生產乙個頻繁項集。這個步驟，個人認為是為了促使結果更有可信度，而不是某個典型，也是為了推出最後的強規則。頻繁項集的 頻繁 用支援度來表示 而 頻繁 的標準則必須由乙個閾值，如...
推薦系統架構 推薦系統（1） 業界推薦系統架構
1.1業界主流推薦系統架構 業界推薦系統通用架構 1.2使用者本身資料 1.3物品本身資料 1.4使用者行為資料 2.1基於離線訓練的推薦系統架構設計 常用演算法 邏輯回歸 logistics regression 梯度提公升決策樹 gbdt 和因式分解 fm 架構設計 2.2面向深度學習的推薦系統...
推薦系統（1） 推薦系統概述
推薦系統是主動從大量資訊中找到使用者可能感興趣的資訊的工具。推薦系統的核心問題是如何實現推薦個性化 如何向使用者推薦匹配度高的產品 商品 或專案,本質是通過一定的方式將使用者和專案聯絡起來。自從xerox palo alto研究中心於1992年研發出了基於協同過濾的實驗系統tapestry以來 主要...