传统推荐系统
理解
一个是决策过程：例如娱乐、电子商务、社交网络
一个是信息过滤系统：试图使用基于用户和物品关系的信息过滤技术来解决信息过载问题
分类
根据（使用的信息）和（提供的推荐类型）：
-
协同过滤 Collaborative Filtering, CF
-
基于内容 Content-based, CB
-
混合推荐
协同过滤
CF是使用最广泛的推荐推荐系统方法之一
概念：由几个相关用户提供的评分的写作能力来进行推荐，即利用 用户间、物品间的关系 来生成推荐列表，有基于内存的方法和基于模型的方法
问题：费时（需要扫描M用户N商品）
解决方法：(1) 随机抽样或丢弃M/N （2） 按分类划分空间 （3）聚类或PCA降维
新的问题：丢失的数据会降低推荐质量
缺点：（1）冷启动问题 （2）数据稀疏 （3）可拓展性
基于内容推荐技术
概念：CB过滤技术以来用户/物品描述来进行推荐（基于历史记录与候选库比较）
优点：（1）独立性 （2）透明度 （3）不影响新物品的推荐
缺点：（1）对未触及的标签无法建议 （2）没有记录的用户无法推荐
混合推荐方法
利用两种或多种推荐系统（如CF和CB）的组合来生成增强推荐
实现方式：特征组合、特征增强、级联和切换
深度学习框架
在推荐系统中会话以及点击日志的顺序结构是非常适合由递归/卷积模型提供的归纳偏差，优势在于处理基于内容的推荐和多模态（传统方法所不具备的）
个性化推荐发展
- 大量费时预处理（如关键子提取、主题建模）
- 自动从端对端学习和提取文本有用信息
涉及技术
- 有监督/无监督提取特征
- 文本、视频、音频、图像特征处理
- 序列建模：RNN内部记忆、CNN时间滑动过滤器
参考文献
【博士论文】基于深度学习的个性化推荐方法研究_刘太亨
待看
【博士论文】基于图表示学习的深度推荐系统研究_马心陶（CF）
【博士论文】基于用户行为序列挖掘的个性化推荐方法研究_刘丰（CB）
【博士论文】基于元学习知识重用和泛化能力的算法研究_许辉