中国人工智能学会通讯——深度学习与推荐系统 3 总结与展望
3 总结与展望 本文中简要介绍了推荐系统的核心技术，以及关于深度学习在推荐系统上的最新进展。可以看到，目前深度模型在推荐系统上的应用还处于比较初级的阶段[28]，尤其是技术上的发展较慢于计算机视觉和自然语言处理领域。关于未来工作有如下三点展望。 （1）在线学习与增量学习。在实际产品中，用户数据实时到...
中国人工智能学会通讯——深度学习与推荐系统 2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning)
2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning) 作为早期使用神经网络进行评分建模的代表性工作，文献[42]使用限制玻尔兹曼机（RBM）学习交互函数，但该方法的近似优化算法较为费时[28]，且不易扩展到有辅助信息的情况。近...
中国人工智能学会通讯——深度学习与推荐系统 2.1 深度特征抽取(Extracting Side Features with Deep Learning)
2.1 深度特征抽取(Extracting Side Features with Deep Learning) 图4总结了一系列工作使用深度学习进行特征抽取，并用于协同过滤的基本框架。介于深度学习技术抽取出的特征通常是相对较短、稠密的向量（也称为嵌入式表示，embedding），可以和基于隐向量的矩...
中国人工智能学会通讯——深度学习与推荐系统 1.2 基于特征的推荐 (Feature-based Recommendation)
1.2 基于特征的推荐 (Feature-based Recommendation) 协同过滤只考虑用户与物品的交互历史，本质上是用ID表示一个用户或物品。基于特征的推荐方法旨在融合各种其他辅助信息，以提高推荐的准确度。该类算法将用户(ID及其属性)、物品(ID及其属性)和上下文信息统一表示为特性向...
中国人工智能学会通讯——深度学习与推荐系统 1.1 协同过滤 (Collaborative Filtering)
1.1 协同过滤 (Collaborative Filtering) 简单来说，协同过滤是指在预测一个用户对物品的喜好程度时，不仅仅依赖于该用户的历史记录，同时也要考虑其他用户的历史记录。其基本假设是兴趣相投、拥有共同经验的群体未来会喜欢相似的物品。协同过滤建模主要使用用户对物品的历史交互数据，也称...
中国人工智能学会通讯——深度学习与推荐系统 1 推荐技术简介
在当今信息爆炸时代，个性化推荐系统是面向用户的互联网产品的核心技术，可以帮助用户获取所需要的信息，改善信息超载的问题。推荐系统的技术核心是对用户历史、物品属性和上下文等信息进行建模，以推断出用户兴趣，并向用户推荐感兴趣的物品。在信息大数据时代，要有效地利用海量用户历史信息和物品信息，机器学习技术必不...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
产品推荐
社区圈子
