第10卷第1期2021年1月网络新媒体技术Vol.10No.1Jan．2021·前沿与综述·基于深度学习的智能推荐系统综述*王星凯邓浩江盛益强（中国科学院声学研究所国家网络新媒体工程技术研究中心北京100190中国科学院大学北京100049）摘要：随着互联网技术的发展，人们对于网络资源的依赖和需求也在增长，如何为用户推荐其感兴趣的项目成为重要的研究课题，因此推荐系统被提出并应用。
本文首先介绍了传统推荐算法和结合深度学习技术的智能推荐算法，阐述了推荐系统中的关键问题，并介绍了结合深度学习技术解决相应问题的方法，最后分析了基于深度学习的智能推荐系统未来的研究方向。
关键词：推荐算法，深度学习，序列推荐，冷启动，数据稀疏A Ｒeview of Intelligent Ｒecommendation System Based on Deep LearningWANG Xingkai ，DENG Haojiang ，SHENG Yiqiang（National Network New Media Engineering Ｒesearch Center ，Institute of Acoustics ，Chinese Academy of Science ，Beijing ，100190，China ，University of Chinese Academy of Sciences ，Beijing ，100049，China ）Abstract ：With the development of Internet technology ，the user ’s needs for network resources are also growing．How to recommend i-tems has become an important research topic．The recommendation system has been proposed and applied to solve the problem．First-ly ，this paper introduces the traditional recommendation algorithm and the intelligent recommendation algorithm combined with deep learning technology．Then ，it describes the key problems in the recommendation system．It also introduces methods based on deep learning technology to solve the corresponding problems．Finally ，it analyzes the possible research direction of the intelligent recom-mendation system based on deep learning in the future．Keywords ：recommendation algorithm ，deep learning ，sequential recommendatio ，cold －start ，data －sparse本文于2020－06－28收到，2020－09－07收到修改稿。
推荐系统综述【摘要】“信息超载”问题日趋明显，简单的信息检索已经不能满足用户搜索准确信息的需求，推荐系统应运而生。
尽管推荐系统被广泛应用于电子商务中，但是推荐算法还面临较多难题。
文章首先介绍了推荐系统相关概念、算法，然后分析了这些算法的优劣，最后总结了推荐系统需要解决的一些主要问题和研究方向。
【关键词】推荐系统;信息检索;信息超载1.序言网络和计算机技术的高速发展，使信息资源呈几何级速度增长，“信息超载”[1][2]已越趋明显，而且信息资源的存储方式已发生了质的变化，由结构化文本数据到非结构化图片、音频、视频等数据的转变，增加了信息检索的难度，因此如何寻找到准确信息资源的方法显得尤为重要。
当前，信息检索是解决这一问题的主要方法，其能够满足简单的用户需求，没有个性化的服务，有两种检索方式：分类检索、关键词检索。
分类检索是通过对信息的特征分类，让用户寻找需求的目录类别，从而实现信息查询，但是分类检索暴露出较多的问题：（1）交叉学科不断出现增加了项目分类的难度，无法确定项目的类别;（2）项目分类的规则无法统一，使得分类规则差异较大;（3）用户需要反复查找项目分类，耗时耗力[3]。
关键词检索是目前搜索引擎的主流，通过校对预存储信息和关键词，将匹配度高的信息返回给用户界面，查询速度较快，但是关键词检索的查准率低，用户个性化程度低，任何用户搜索的关键词相同，检索出的结果也是相同的，这不能满足用户需求[4]。
但是推荐系统[5][6][7]能够提供这一个性化服务，能够根据用户的特征，推荐满足用户需求的对象，其主要优点是能够主动收集用户的特征资料，通过对用户个性、习惯、偏好的分析，定制的向用户提供其感兴趣的信息，同时能够及时跟踪用户的需求变化，根据变化自动调整信息服务的方式和内容。
2.推荐系统的概念从1990年代开始，推荐系统逐渐被大家进行研究，其内容涉及认知科学、近似理论、信息检索、管理科学等领域。
很多学者对推荐系统进行了广泛的研究，美国学者ReSnick等人率先提出“推荐系统”一词，并通过对一个典型推荐系统的简单描述给出了推荐系统的定义：推荐系统以所有用户的意见作为输入，对用户的意见进行综合，将有价值的意见提供给某一适合的用户，系统的好坏取决于所提供意见与用户需求之间的匹配程度;GroupLens研究小组从电子商务网站的角度对推荐系统进行了定义：推荐系统采用数据分析技术预测用户对项目的偏好值或为用户产生一个top-N推荐列表，帮助用户搜寻出他们愿意购买的电子商务网站的项目;明尼苏达大学Konstan把推荐系统定义为：推荐系统利用群体意见，帮助群体中每名成员识别其最感兴趣或最能满足其需求的产品或信息。
个性化推荐系统研究综述【摘要】个性化推荐系统不仅在社会经济中具有重要的应用价值，而且也是一个非常值得研究的科学问题。
给出个性化推荐系统的定义，国内外研究现状，同时阐述了推荐系统的推荐算法。
最后对个性化推系统做出总结与展望。
【关键词】推荐系统；推荐算法；个性化1.个性化推荐系统1.1个性化推荐系统的概论推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。
传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。
事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。
一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。
推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。
1.2国内外研究现状推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。
随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。
ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。
个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。
最近的迅猛发展，来源于Web210技术的成熟。
有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。
个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的同时有效保护用户隐私值得作进一步深入的研究；（6）关于推荐结果的解释的研究；（7）关于推荐系统规模性的研究等。
