RecSys’16 Workshop on Deep Learning for Recommender Systems (DLRS)

cited

Karatzoglou A, Hidasi B, Tikk D, et al. RecSys’ 16 Workshop on Deep Learning for Recommender Systems (DLRS)[C]//Proceedings of the 10th ACM Conference on Recommender Systems. ACM, 2016: 415-416.

ABSTRACT

我们认为深度学习是推荐系统技术的下一个重要课题之一。 近几年来，深度学习已经在计算机视觉，自然语言处理和语音识别等复杂任务中取得了巨大的成功。 尽管如此，一些用于推荐系统的深度学习方法的工作已经出现了。 最近的应用领域是音乐推荐，新闻推荐和基于会话的推荐。 研讨会的目的是鼓励在推荐系统中应用深度学习技术，促进用于推荐系统的深度学习方法的研究，并汇集推荐系统和深度学习社区的研究人员。

1. INTRODUCTION

近几年来，深层神经网络在计算机视觉，自然语言处理和语音识别等复杂任务中取得了巨大的成功。 因此，它是机器学习社区最热门的话题之一。 深度学习是一类算法，其中数据通过在复杂架构中组织的非线性层层层传递，其中每层都学习数据的潜在表示。

尽管在推荐任务中采用了相对有限的技术，但我们认为，由于以下几个原因，深度学习是推荐系统技术中的下一个大课题之一：

（1）深度学习能够捕获其他算法在大规模数据集中无法获取的复杂依赖和非线性关系，从而可以在算法层中的对用户偏好进行新的更深入的建模和编码，这种建模无需了解有助于预测的模式的确切性质。

（2）深度学习技术可以通过提取高质量的特征表示的能力来整合附加的数据源（内容本身，文本，图像，音乐，视频等）从而丰富推荐算法的偏好模型。以前的推荐系统已经集中在利用内容的转换和/或描述（即元数据）上。 然而，产品的视觉信息（即，产品的图像）对于用户的决定（例如，如果它们是否点击推荐的商品）有着很大的影响。 深度学习方法允许对项目的内容特征进行更好和更准确的建模，特别是诸如图像的视觉特征，商品描述的文本特征和歌曲的音频信号特征。

（3）深度学习有着允许对用户偏好进行直接建模的潜在能力，可以想象，通过足够的用户偏好数据，可以基于项目的内容特征来导出产品偏好的用户模型。 例如，可以通过训练好的卷积图像分类模型以识别用户将喜欢的项目。 比如一双特定的鞋子或运动服装，甚至是潜在的合作伙伴（相互推荐）。 这将不再使用协同过滤的用户偏好模型，从而允许在单个服务器上收集和建模大量偏好数据。

（4）最后，深度学习方法为关键的推荐问题提供了丰富的工具包，例如使用RNN的基于session的推荐。 推荐系统中使用的机器学习方法相对受限于一小组方法，例如矩阵分解，LDA。深度学习方法可以并已经用于协同过滤模型，例如 去噪自动编码器，受限玻尔茨曼机等。我们期望看到更多关于如何在协同过滤中使用深度学习方法的研究，其中包含考虑内容和上下文的模型。 深度学习方法有可能扩展这些方法，并增强现有的方法。

DLRS 2016的目标是通过汇集推荐系统和深度学习的研究人员，帮助引入和加速RecSys中深度学习的使用。

2. DEEP LEARNING IN RECSYS

大多数关于深层模型和推荐结合的工作都集中在传统的协同过滤（CF）用户-项目环境上。受限玻尔兹曼机器（RBM）是用于经典CF和推荐系统的第一个神经网络。 最近，去噪自动编码器已经被用于以类似的方式执行CF 。深层网络也被用于跨域推荐，其中使用深层神经网络将item被映射到的联合潜在空间。

在推荐中自动生成的内容特征是深度学习最激动人心的研究路径之一。先前的工作通常将这些特征与更传统的协同过滤模型一起使用。卷积深度网络已被用于从音乐文件中提取特征，然后在因子模型中使用。最近出现了一种更通用的方法，通过使用深层网络从项目中提取一般内容特征，然后将这些特征并入标准CF模型中以增强推荐性能。这种方法似乎在没有足够的用户-项目交互信息的环境下特别有用。使用卷积网络提取的图像特征已被用于中的经典矩阵分解型CF，以提高推荐的质量。深度学习也可以解决新的推荐问题。例如使用定制的循环神经网络来对click-session数据进行建模，以提供基于session的建议。

3. THE POTENTIAL OF DEEP LEARNING

我们提出了四个研究课题，在显著提高推荐算法方面有着巨大的潜在能力：

Content modeling: 将非结构化数据源（例如文本，音频，视频或图像）合并到推荐算法中是在推荐系统中应用深度学习的更简单的方法之一。 正如我们之前所提到的，包含的内容比元数据更有意义，并且有望提供更好的推荐。 真正的基于内容的方法可以帮助推荐中长期存在的问题，如项目冷启动，同时推荐相关内容。

User and session modeling: 传统的协同过滤主要集中在创建静态用户模型，这些模型对于变化缓慢的场景以及项目相关性是基于偏好的而不是基于必需性的（例如，与家用电器相反的电影）是有利的。 一些领域和场景需要更多的动态行为建模。在其他方面，重要的是找出使用长期和短期用户历史的平衡。 建模意图对于了解用户真正想要的内容也很重要。 最后，在永久性用户冷启动问题的情况下，使用会话而不是用户历史很重要。 所有上述问题都可以通过适当使用深度学习的序列建模（例如循环神经网络）来解决。

Situation modeling: 围绕着越来越多的传感器，推荐系统可以获得更多有关我们所处的情况的数据，并据此推荐。 基于场景的（或上下文驱动）推荐将是未来几年的主要变化之一。 从大量的传感器数据中了解情况需要强大的模式识别方法，如深层神经网络。

Adapting deep learning: 即使深层神经网络具有很大的潜力，它们在推荐系统领域的应用也应该小心。 在开发新方法时必须考虑到训练时间，响应时间和可扩展性。因此，神经模型应适应推荐任务。

4. SUMMARY

深入学习在很多对计算机很难的任务上取得了巨大的成功。我们相信现在是应用它们在RecSys领域的时候了。 深度学习有潜力成为下一代推荐系统的核心。 DLRS 2016旨在加速RecSys社区中这些方法的传播和接受。