近年来，深度学习出现并统治了人工智能领域。推荐系统技术迎来了一次重大的革新，推荐系统正式进入了深度学习时代。
学术界尝试用深度学习设计推荐算法，工业界也将深度学习广泛应用于实际项目。
01
推荐系统与深度学习的碰撞
涌现出一大批优秀成果
2016年，微软亚洲研究院谢幸博士的团队开始将深度学习、知识图谱、强化学习、图神经网络等最新技术应用到微软的广告、新闻、游戏等推荐场景，取得了推荐效果、用户活跃度以及广告收入的大幅度提升，并发表了一系列有影响力的学术论文。
他们将成功的经验进行总结，与微软云计算团队的邬涛博士、张乐博士等合作者一起开发了Microsoft Recommenders项目。
该项目在2018年底正式开源，目前是GitHub上星标最多的开源推荐系统项目。
同年，时任IBM中国研究院研究员的李东胜博士将深度学习与传统推荐技术融合，设计了一个面向销售业务的客户-产品推荐引擎。
2017年，该引擎为IBM公司带来超过20亿美元的新增销售机会。该项目在2018年获得了IBM最高奖——IBM Corporate Award。
这些经验表明，推荐系统正在持续影响甚至改变人类与信息世界的交互方式，而推荐系统与深度学习的结合更是带来了革命性的突破。
02
表征学习+交互函数学习
推荐系统开启全新范式
随着深度学习技术的不断发展，主流的推荐算法逐渐被深度学习技术替代。
例如，传统的内容的描述被替换成深度学习擅长的表征学习，如文本建模的向量空间模型被替换成了神经网络模型。
研究人员针对神经网络的特点，探索出了一种推荐算法的新范式，即表征学习加交互函数学习。
其中，表征学习主要通过神经网络将用户和物品表示成向量，交互函数学习主要通过神经网络学习用户向量和物品向量之间的关系。
深度学习的出现极大地改变了推荐技术的发展方向，深入理解基于深度学习的推荐技术对于研究人员和技术人员是非常必要的。
【博文视点IT荐书吧|后深度学习时代，推荐系统向何处去（）】从算法层面来说，推荐系统包含两个关键功能：
第一，理解用户与物品；
第二，预测用户与物品间的关系。
深度学习在这两个关键功能上都有显著优势：
首先，深度学习通过表示学习的方式来建模用户和物品，不仅能更准确地描述用户兴趣和物品属性，还能更方便地捕捉传统方法难以建模的特征，如文本、图片、音频、知识库等，从深度和广度两方面提升对用户和物品的理解。
其次，深度学习通过神经网络的强大拟合能力，能够准确地捕捉用户与物品间的任意关系，如非线性关系、动态关系、时空关系等，学习到更加准确的用户–物品交互关系函数。
从系统层面来说，深度学习也为推荐系统的开发、运行和维护带来了新的挑战。
对于技术人员来说，基于云平台的开发与运维成为了工业级推荐系统的新范式，主要得益于云平台的弹性计算和存储、易于部署、集成环境和高可靠性等优点。
近年来，众多成功案例使得人们对于基于深度学习的推荐系统出现了前所未有的关注，上述推荐系统与深度学习结合的新范式也得到了工业界和学术界的普遍认可。
03
后深度学习时代
面临安全与隐私、可解释性、算法偏见等挑战
随着推荐系统逐步深入人们日常生活的更多场景，推荐系统与人的交互也面临着更大的挑战。推荐系统作为与人联系紧密的应用，其底线是不伤害用户，即符合负责任的人工智能的相关准则。
针对这一目标，研究人员需要关注推荐系统的安全与隐私、算法的可解释性、算法是否有偏见等。
除了对个体的影响，还需要关注推荐系统对社会群体的影响，例如推荐系统是否会产生信息茧房效应等。
因此，在关注技术发展的同时，还要关注推荐系统可能产生的负面社会影响，在研究新的技术时，尽可能地保证技术是负责任的。
这一点已经在全球范围内得到了主流研究机构的认可，未来将会是推荐系统相关技术发展的重点。
文章图片
本书内容
本书作者李东胜、练建勋、张乐、任侃、卢暾、邬涛、谢幸长期活跃在推荐系统研发一线，在推荐系统领域的权威会议和期刊上发表过数百篇有影响力的学术论文，主持开发包括Microsoft Recommenders在内的多个成功推荐系统项目。
本书作者以第一线的视角和经验对推荐系统进行总结，尝试从原理与实践两个角度向读者剖析推荐系统。
在原理方面，本书介绍各类经典推荐算法以及前沿的深度学习推荐算法，涵盖深度协同过滤、特征交互、基于图神经网络的推荐、序列与会话推荐、结合知识图谱的推荐和基于强化学习的推荐等重要技术，探讨推荐算法研究在对话、因果、常识等方面的前沿话题，分析推荐系统在数据融合、系统扩展、性能评估等方面的关键挑战，并探讨如何设计负责任的推荐系统等。
在实践方面，本书结合微软的开源项目Microsoft Recommenders介绍推荐系统的实践经验，读者可以基于本书提供的源代码，深入学习推荐算法的设计原理和实践方式，并可以基于本书从零开始快速搭建一个准确、高效的推荐系统。
适读人群
本书不仅适合互联网、大数据等相关领域技术人员阅读，也适合高等院校计算机、软件工程、人工智能等专业的本科生和研究生参考。
名家推荐
总的来说，本书是一本“来得恰到好处”的推荐系统著作，兼顾了理论性和实践性，包含了经典算法和前沿方法。
本书的作者们都是该领域全球范围的研究学者，且多数身在微软，因而对产业需求非常敏锐！希望各位读者都能从本书中有所得。
——周涛 电子科技大学教授
在互联网时代，推荐系统具有巨大的商业价值和社会影响力。三十年来，推荐系统受到学术界与工业界的持续关注。本书的作者们活跃在推荐系统领域的研发前沿，具有第一线的视角和经验。本书从经典推荐算法入手，深入介绍了基于深度学习的推荐技术，并结合知名开源项目Microsoft Recommenders的实践，向读者们展示了推荐系统领域的全景。
——杨强 加拿大工程院及加拿大皇家科学院两院院士，微众银行首席人工智能官，香港科技大学讲席教授
本书是推荐系统领域的一本亟需之作。谢幸博士是世界领先的推荐系统专家，他和合作者们基于过往研究经历与所开发的开源项目，深入浅出地介绍推荐系统的基础知识、原理和实践经验。本书受众广泛，适合初学者、技术人员及研究人员阅读。任何想要了解推荐系统基本原理、实践经验及未来发展方向的读者都适合阅读本书。
——刘欢 美国亚利桑那州立大学教授，ACM Fellow
推荐系统是人工智能的重要应用领域，如何构造实用的推荐系统是大家都关心的问题。本书作者相关研发团队在推荐系统领域积累深厚，不少领域中的重要模型就是由他们提出的。本书对推荐系统的主要技术发展脉络进行了深入浅出的梳理和讲解，重点介绍了深度学习相关的前沿方向，理论与实践兼备，是推荐领域的佳作。
——张俊林 新浪微博机器学习团队AI Lab负责人
推荐阅读
- 动手学深度学习|学习笔记——动手学深度学习（RNN，GRU，LSTM）
- 论文解读|【GCN-RS】MCL: Mixed-Centric Loss for Collaborative Filtering (WWW‘22)
- 物联网及AI前沿技术专栏|图神经网络驱动的交通预测技术（探索与挑战）
- 业界观点|LLVM之父Chris Lattner（为什么我们要重建AI基础设施软件）
- 前沿技术|OneFlow源码一览（GDB编译调试）
- 图神经网络|图神经网络的基本知识
- 信息安全|网络安全自学篇
- LSTM神经网络算法
- 人工智能论文总结|一种基于超像素和生成对抗网络的视网膜血管分割方法