結構化神經網路模型
目前在推薦系統已發表的學術**中，比較成功的神經網路模型還是基於多層感知器架構進行變型的模型，很少有相關公開的科研成果報道基於結構化的神經網路模型取得了顯著提高。這裡結構化神經網路主要包括基於序列的迴圈神經網路或者樹結構的遞迴神經網路。目前推薦系統面臨的資料附加資訊不斷增加，因此原始的使用者物品二維矩陣不能刻畫複雜的推薦場景，如基於 session 的推薦等。因此，如何在實踐中充分挖掘結構化神經網路模型的實戰效果將是乙個很重要的研究方向，其中文獻[21,23] 是該方向的相關研究基礎。
推薦結果的可解釋性
推薦系統中乙個重要問題就是如何加強推薦結果的可解釋性，較好的推薦結果可解釋性將會增加使用者採用推薦結果的可能性。而大部分深度學習推薦演算法是將資料變換到乙個隱含空間，在這個隱含空間可以計算使用者與物品之間的相似性，但是很難提供直接的推薦理由。可以說，這也是神經網路模型中的乙個基本問題，模型輸出不應該是簡單給出神經元間的權重係數以及連線結構。已有的方法是使用主題模型學習得到的話題[24]以及顯式的物品特徵[25-26]來加強可解釋性，這兩個途徑都值得深度學習推薦演算法借鑑，加強模型的可解釋性。
跨平台的資訊融合與聚合
隨著資訊科技的不斷發展，推薦系統所面臨的推薦場景不在侷限於單一使用者資訊領域和單一物品資訊領域。例如，同乙個使用者可能同時對應多個社交賬號資訊，可能需要對其推薦多種型別的物品，實現資訊的跨**應用[10,27-29] 。在這種情況下，對於跨平台的資訊融合與聚合尤為重要。之前的工作實際上已經在這方面初露端倪[16,30] ，神經網路模型在異構資訊融合上已經發揮了一定的效果。這一方向值得繼續深入挖掘。
《中國人工智慧學會通訊》 2 24 結 果
我們將人類 bpl 以及其他模型在 5 個概念學習任務上的結果並列進行對比，檢驗僅從乙個或一些樣例得到的不同形式的泛化 見圖 5 的樣例任務 所有的行為實驗都是通過亞馬遜土耳其機械人 mechanical turk 進行的，實驗的詳細流程請參考 s5 章節。主要實驗結果總結在圖 6 中，額外的殘缺分...
《中國人工智慧學會通訊》 3 28 討 論
近年來，各種型別的 機械人層出不窮，人機互動控制策略對於 機械人實現臨床應用意義重大。通過上文的回顧分析，可以看出，現有人機互動控制依然存在如下問題。目前還不存在一種通用的人機互動控制策略。針對患者損傷部位及損傷程度採用合適的控制策略是常規的方案，但正如前文所述，現有 機械人系統的互動控制系統通常缺...
《中國人工智慧學會通訊》 1 32 詞嵌入
在此基礎上，也有研究者關注如何利用已有的知識庫來改進詞嵌入模型。wang 等人 5 結合知識圖譜和未標註語料在同一語義空間中來聯合學習知識和詞的向量表示，這樣可以更有效地實體詞的嵌入。rothe等人 6 直接利用 wordnet 知識庫的詞和語義集的關係來學習詞嵌入，能更好地利用已有的知識庫。該 獲...