贺语盈-2016.6.3组会-用于推荐系统的协同深度学习算法

Heryuying

标题：用于推荐系统的协同深度学习算法（Collaborative Deep Learning for Recommender Systems）
报告人：贺语盈

摘要：随着电子商务和社交网络应用的日渐繁荣，服务商如何准确连接目标用户，用户如何发现自己潜在的兴趣和需求，推荐系统成为联系二者的重要工具发挥着关键作用。鉴于目前最常见的推荐算法——协同过滤Collaborative Filtering（CF）所存在的冷启动问题，有学者将基于内容的过滤算法引入，产生了颇具研究前景的协同主题回归算法Collaborative Topic Regression（CTR），但当数据集极为稀疏时，传统算法可能难以处理。
    另一方面，深度学习在计算机视觉、自然语言处理以及有效特征学习方面显示出巨大的潜能。本文作者将深度学习算法中的Stacked Denoising Autoencoders（SDAE）模型与CTR结合，提出了获取特征更为准确有效的协同深度学习算法Collaborative Deep Learning（CDL）。

创新点：
（1）第一次将深度学习应用于推荐系统
（2）在已有算法基础上提出新的模型

实验结果：在三个真实的数据集CiteULike和Netflix上进行测试，推荐的平均精确度（mAP）和召回率（recall@M ）较原有推荐算法都具有更好的性能表现。

参考论文：
[1] Wang, Hao, Wang, Naiyan, and Yeung, Dit-Yan. Collaborative deep learning for recommender systems. In Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’15, pp. 1235–1244, New York, NY, USA, 2015. ACM.
[2] C. Wang and D. M. Blei. Collaborative topic modeling for recommending scientific articles. In KDD, pages 448–456, 2011.

具体内容参考如下ppt：