第二篇《基于深度学习的推荐系统研究综述》论文阅读笔记
作者：互联网
[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
- 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）
- 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）
- 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）
-
展望基于深度学习的推荐系统的未来研究趋势；
-
全文总结
二、我能从本文学到的
- 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）；
- 有哪些结论你将来可能用到；
- 有哪些方法你将来可能用到；
- 文章在研究设计上有哪些不足?有没有更好的改进方法？
- 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
- 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