标签：编码器 综述 推荐 文章 基于 笔记 学习 深度 第二篇

[1]黄立威,江碧涛,吕守业,刘艳博,李德毅.基于深度学习的推荐系统研究综述[J].计算机学报,2018,41(07):1619-1647.
基于深度学习的推荐系统研究综述

一、文章本身

1.Primary thesis （文章主旨—文章想说啥？如果不明显就自己去总结）

基于深度学习的推荐系统的研究与应用进展进行综述．
第 1节 引言
第２节 介绍传统推荐算法；
第３节 深度学习主要方法；
第４节 基于深度学习的推荐系统的研究进展（重点分析）
第５节 展望基于深度学习的推荐系统的未来研究趋势；
第６节 全文总结

2. 传统推荐方法

1. 基于内容的推荐（ 根据用户已经选择或者评分的项目，挖掘其它内容上相似的项目作为推荐）
2. 协同过滤推荐（利用相似用户之间具有相似兴趣偏好的方法，来发现用户对项目的潜在偏好）
3. 混合推荐（后融合、中融合和前融合）

3. 深度学习主要方法；

1. 自编码器（Autoencoder, AE）
定义：通过一个编码和一个解码过程来重构输入数据，学习数据的隐层表示，类似三层卷积神经网络结构，见下图。

目的：是使得输入ｘ与输出ｙ 尽可能接近，这种接近程度通过重构误差表示。
缺点：自编码器很容易学习到恒等函数
变种：稀疏自编码器、降噪自编码器、栈式降噪自动编码器鲁棒性¹强
应用场景：括评分预测、文本推荐、图像推荐

2. 玻尔兹曼机（Boltzmann Machine, BM）
定义：是生成是随机神经网络。由一些可见单元（对应可见变量，亦即数据样本）和一些隐层单元（对应隐层变量）构成，状态取0-1。
优点：能够学习数据中复杂的规则，具有强大的无监督学习能力²。
缺点：训练过程非常耗时。
变种：受限玻尔兹曼机（Restricted Boltzmann Machine, RBM 提高学习效率）
应用场景：用户评分预测

3. 深度信念网络（Deep Belief Network, DBN）
应用较少，只限于音乐推荐，故略。

4. 卷积神经网络（Convolutional Neural Network，CNN）

定义：是一种多层感知机，主要被用来处理二维图像数据。
优点：减少了模型中神经元数量、参数数量，降低复杂度，具有更高鲁棒性
基本结构：输入层、卷积层、下采样层（池化层）、全连接层和输出层构成。

应用场景：较广泛，主要包括图像推荐、音乐推荐、文本推荐等。

4. 基于深度学习的推荐系统的研究进展（重点分析）

5. 展望基于深度学习的推荐系统的未来研究趋势；

6. 全文总结

二、我能从本文学到的

1. 有哪些重要的观点你想要记住，或是将来可能会引用到 （key citations）；
2. 有哪些结论你将来可能用到；
3. 有哪些方法你将来可能用到；
4. 文章在研究设计上有哪些不足?有没有更好的改进方法？
5. 文章让你想到了哪些观点类似或者完全不同的其他文章？

三、总结

1. 你对文章中观点、论述、方法、讨论等部分有什么想法和critique？

相关术语解释

标签：编码器,综述,推荐,文章,基于,笔记,学习,深度,第二篇
来源： https://blog.csdn.net/weixin_39128932/article/details/120562932

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。