推薦系統(tǒng)中候選生成和冷啟動(dòng)挑戰(zhàn)的研究

本研究針對(duì)推薦系統(tǒng)冷啟動(dòng)和候選生成兩方面的問(wèn)題，提出了一種基于深度學(xué)習(xí)的分類(lèi)方法。研究人員提出了一種分類(lèi)的深度學(xué)習(xí)技術(shù)，來(lái)解決推薦系統(tǒng)中的冷啟動(dòng)和候選生成問(wèn)題。

冷啟動(dòng)是通過(guò)附加功能(用于音頻、圖像、文本)和學(xué)習(xí)隱藏的用戶與對(duì)象表示來(lái)解決的。候選生成則通過(guò)分離的網(wǎng)絡(luò)、RNNs、自動(dòng)編碼器和混合方法解決。該研究還總結(jié)了這些技術(shù)的優(yōu)點(diǎn)和局限性，同時(shí)展望了未來(lái)研究的方向。

推薦系統(tǒng)為企業(yè)和客戶提供了許多便利。它們使消費(fèi)者的搜索過(guò)程變得非常簡(jiǎn)單，并幫助企業(yè)實(shí)現(xiàn)更高的銷(xiāo)量、更高的網(wǎng)絡(luò)使用率、更高的客戶保留率和更高的利潤(rùn)率。

Netflix上80%的電影都有推薦系統(tǒng)。在YouTube上，60%的視頻點(diǎn)擊來(lái)自推薦。本文描述的工作是為未來(lái)開(kāi)發(fā)穩(wěn)定的推薦系統(tǒng)進(jìn)行的有益嘗試。