机器学习笔记 - 构建推荐系统(3) 深度推荐系统的6个研究方向

一、概述

        推荐领域从传统的矩阵分解算法转向了基于深度学习的方法。背后的主要原因(以视频推荐为例子)：

        1、来自用户的信号（例如视图）不是独立分布的观察结果，而是可以表示为动作序列。使用循环神经网络 (RNN) 有效地理解和建模这些序列是提高视频推荐系统准确性的关键。

        2、视频通常以特征（视频类别、描述标签）为特征，这些特征可用于推导视频之间的相似性。此外，手表的背景（设备、国家……）对于定制推荐至关重要。将它们用作深度学习模型中的特征可以加快收敛速度​​，但也有助于在给定视频没有可用用户信号时的冷启动状态。

        3、反馈（观看）只能在给定视频显示给用户（强盗反馈）时才能观察到。因此，我不知道如果我为给定用户选择其他视频会发生什么（反事实推理）。在这种类型的环境中学习需要特殊的范式，例如在强化学习中大量使用的离策略学习或反事实学习。最近，有几项工作一直在研究这些环境中的基于“深度学习”的模型。

        下面将提出几个可能与推荐系统相关的研究方向来解决使用基于深度学习的推荐模型的局限性。

二、深度推荐的缺点

        使用深度神经网络进行推荐有什么缺点？

        有3个主要问题：

        (1) 深度学习的一个常见反对意见是隐藏的权重和激活很难解释。众所周知，深度学习表现得像黑匣子，提供可解释的预测似乎是一项非常具有挑战性的任务。

        （2）深度学习也需要大量的数据来充分支持其丰富的参数化。与视觉和语言等其他领域相比，在推荐系统研究的背景下很容易收集大量数据。

        (3) 深度学习需要大量的超参数调优