使用深度學習構建先進推薦系統：近期33篇重要研究概述

　　2017-12-23 12:30操作系統

　　選自arXiv

　　作者：Ayush Singhal、Pradeep Sinha、Rakesh Pant

　　除了計算機視覺和自然語言處理，深度學習近年來在推薦系統上也取得了引人關注的結果。事實上，Spotify、Netflix、Facebook、谷歌等公司早已對深度學習推薦系統有過深入研究，並在實際應用中取得了很好的效果。來自 Contata Solutions 的研究人員發表在 IJCA 上的概述論文對這些研究進行了梳理。

　　論文：Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works

　　

　　論文鏈接：https://arxiv.org/abs/1712.07525

　　摘要：隨著網際網路中數字信息數量的增長，在線商店、在線音樂、視頻和圖片庫、搜索引擎和推薦系統已成為人們快速尋找信息的主要方式。近一段時間，深度學習的發展在語音識別、圖像處理和自然語言處理領域取得了很多成果。此外，深度學習在推薦系統和信息檢索領域裡也得到應用。本文介紹了深度學習技術在推薦系統中的近期進展。全文從三部分來介紹：協作系統（Collaborative system）、基於內容的系統和混合系統。本文還討論了結合了深度學習的推薦系統對多個應用領域的貢獻，討論了推薦系統中的深度學習對不同領域的影響和深度學習是否顯著改善傳統的推薦系統。最後，本文根據深度學習在推薦系統中的應用現狀對未來的研究方向提供一些見解。

　　1. 引言

　　我們的日常需求，從商品、書籍、新文章、歌、電影、研究文件和其他基礎性事物，其數量和種類填滿了多個數據倉庫和資料庫 [1-2]。為此，智能推薦系統和強大的搜索引擎為用戶提供援助之手。此類系統的流行程度和有用性在於它們能夠便捷地顯示幾乎無限的物品信息 [3]。因此 Amazon、Netflix 等推薦系統嘗試了解用戶興趣，並把用戶感興趣的商品告知他們。儘管這些系統由於使用場景而各不相同，但其尋找用戶感興趣商品的核心機制都是用戶興趣與商品匹配的機制 [4]。

　　通常可以根據用戶偏好、商品特徵、用戶-商品交易和其他環境因素（如時間、季節、位置等）生成推薦結果。推薦系統的相關文獻把它們分成三類：協同過濾（僅使用用戶與商品的交互信息生成推薦）系統、基於內容（利用用戶偏好和／或商品偏好）的系統和混合推薦模型（使用交互信息、用戶和商品的元數據）[5]。這些類別中的模型都有局限性，如數據稀疏性、用戶和商品的冷啟動 [6]。

　　近期，深度學習給計算機視覺、語音識別等不同應用領域帶來了大量進展，深度學習也擴展至信息檢索和推薦系統中 [7]。對將深度學習整合進推薦系統的通常看法是顯著優於傳統模型。本文對整合深度學習的推薦系統相關研究進行了一個系統性總結，便於讀者理解利用深度學習構建推薦系統的未來發展、影響力和方向。

　　2. 方法

　　本節介紹本文收集、挑選和總結研究論文的方法。我們使用谷歌學術搜索引擎，從大量研究論文中選擇相關論文；使用以下關鍵詞提取文章：「recommender system deep learning」、「collaborative filtering deep learning」、「recurrent neural network recommender systems」；將時間設置為「Since 2013」，這樣我們就可以只選近 5 年的文章。通過在谷歌學術執行每個搜索請求，我們得到了多篇文章，然後我們通過瀏覽論文題目進行了一次手動選擇，以了解它們是否確實關於推薦系統中的深度學習。手動選擇后，一共篩選出 33 篇文章。之後，我們綜述了每篇文章中用於提升推薦模型的深度學習方法，並了解驗證所用的不同數據集。

　　3. 綜述和討論

　　圖 1 總結了 33 篇論文中與每種模型相關的論文數量，發現大部分近期論文關於協同過濾推薦系統。下一節將討論它使用的深度學習方法，並簡要討論深度學習如何提升傳統推薦模型。

　　

　　基於內容的推薦系統

　　本節概述多篇關於基於內容的推薦系統的論文中深度學習的貢獻。

　　[8] 在無使用數據的情況下，使用深層卷積神經網路利用音頻生成歌曲的潛在因子。該方法優於簡單的基線模型，如線性回歸、使用 Million Song 數據集和詞袋錶徵訓練的多層感知機（該數據集包括 Last.fm 數據集和 Echo Nest Taste Profile 子數據集）。

　　[9] 提出一種結合深度信念網路和概率圖模型的模型，從音頻內容中同時學習特徵和制定個性化推薦。該論文使用 Echo Nest Taste Profile Subset（一個音樂推薦數據集）比較該模型和基於內容和模型、未使用深度學習的混合模型。結果顯示該模型在驗證數據集上的性能優於基於內容的基線模型和協同過濾基線模型。

　　[10][11] 提出深度學習方法用於提升文本和對話中引用推薦領域的基於內容的推薦系統。Tan et al 使用 LSTM 展示語境和引用的分散式意義。Lee et al 結合循環神經網路和卷積神經網路來學習對話線程中引用的語義表徵。Wikiquotes 和 Oxford Concise Dictionary of Proverbs 作為推特對話線程的引用來源。

　　[12] 利用基於 GPU 的循環神經網路將條目文本（item text）轉換為隱藏特徵來提高專門用於冷啟動的協同過濾性能。研究人員使用該模型在 CiteULike 的兩個現實世界數據集（密集和稀疏版本）上對引文推薦系統進行了測試，與協同主題建模模型進行了比較。在兩個數據集上，該方法都有顯著的性能優勢。

　　[13] 使用評論信息在深度神經網路上進行條目屬性與用戶習慣的聯合學習，這被稱為深度合作神經網路（Deep Cooperative Neural Network）。該模型還使用共享層將條目特徵與用戶習慣進行結合。模型對比了 5 個基準，分別是矩陣分解、概率矩陣分解、LDA、協同主題回歸、Hidden Factor as Topic 以及合作深度學習，研究者在三個現實世界數據集上對它們進行評測（Yelp 評論、亞馬遜評論、Beer 評論）。該模型在所有測試中都超過了其他基線模型。

　　[14] 開發了一種新型文章推薦模型——使用動態注意力機制深度模型處理編輯為終端用戶文章池選擇新聞文章時的非顯式選擇標準問題。該新聞推薦階段是最終新聞推薦之前的一個步驟。在這個階段中，編輯需要從一個動態變化的文章池裡（包含不同新聞源）選擇出新聞文章的一個子集。編輯選擇或放棄文章沒有硬性標準。該研究使用深度學習來學習編輯選擇文章風格的動態標準。這種問題不能直接使用傳統的詞袋方法來解決。所以，深度學習注意力機制模型被引入，用於生成複雜特徵來表示文章的風格，隨後以編輯是否喜歡為標準進行分類。

　　基於協同過濾的系統

　　在本節中，我們總結了深度學習對協同過濾推薦系統的主要貢獻。其中大多數方法都在嘗試使用一些深度神經網路代替矩陣分解。

　　

　　[15] 解決了 CF 方法的稀疏性問題和協同主題回歸（Collaborative topic regression）方法的輔助信息稀疏性問題。該模型使用了貝葉斯堆疊去噪自編碼。研究者在 CiteULike 數據集和 Netflix 數據集上對該模型和矩陣分解、協同主題回歸進行對比、測試，結果顯示該模型具備更為優秀的性能。

　　[16] 首次提出了將深度學習特徵融合到 CF 模型（如矩陣分解）的框架。作者通過將該模型與幾種使用矩陣分解的協同過濾方法進行比較，展現了其在 4 個現實世界數據集（MovieLens-100k、MovieLeans-1M、Book-Crossing 和 Advertising 數據集）上的性能提升。

　　[30] 開發了一種概率評分自編碼器（probabilistic rating auto-encoder），它可以執行無監督特徵學習，並利用用戶-條目評分數據生成用戶畫像以提升協同過濾方法。作者將深度學習應用到傳統的協同過濾方法（如矩陣分解）中，從而在 Yelp.com 數據集上顯著地提升了評分預測的性能。該方法常用於電子商務領域。

　　[17] 表明協同過濾可以轉化為序列預測問題，因此循環神經網路是非常有幫助的。特別是 LSTM 可以很好地應用於 CF 問題，實驗證明 LSTM 在兩個電影推薦數據集（MovieLens 和 Netflix）上優於 K 近鄰法和矩陣分解，這表明使用深度學習的協同過濾系統在性能上可以匹配其它頂尖的協同過濾方法。

　　對於基於會話的推薦系統（session recommendation），一些研究使用循環神經網路來提升推薦系統的性能。[18] 首先使用 RNN 提升基於短會話數據的推薦系統。該論文的作者表明傳統的矩陣分解方法不適合基於會話的推薦系統。研究人員在電子商務點擊流數據和類似 YouTube 的 OTT 視頻服務數據集上進行了實驗，結果表明使用 RNN 要比 MF 方法更有優勢。

　　此外，[19] 使用圖像和文本等特徵以加強基於 RNN 的會話推薦系統。論文作者引入了并行 RNN 的概念，並用來對特徵屬性（如文本、圖像、ID 等）進行建模。與簡單的 RNN 和 item-kNN 相比，經過特徵增強的 RNN 在類似 YouTube 的視頻服務數據集上有顯著的性能提升。[20] 表明 RNN 與 kNN 的結合可以在電子商務應用上有效地提升推薦的準確性，該評估在公開的電子商務數據集上進行，如 TMall 競賽數據集和其它來自 last.fm、artofmixing.org 和 8tracks.com 的音樂數據集。

　　[31] 使用基於貝葉斯統計的變分推斷模型來提升循環神經網路的預測性能，性能評估在電子商務數據集上進行，並與一些頂尖方法進行比較，如 BPR-MF、基於 GRU 的方法和基於 RNN 的方法。[32] 提出了一個 RNN 模型以結合停留時間（用戶花在某個推薦條目上的時間），因此該模型可以提升基於會話的推薦系統在電子商務數據集（Yoochoose）上的推薦準確度。

　　[35] 使用深度學習初始化用戶和推薦條目的潛在特徵向量以提升社會信用的推薦效果，並將社會影響從用戶的信任關係中分離出來。該方法在兩個現實數據集（Epinions 和 Flixster）中獲得了比一些矩陣分解方法更優秀的性能。

　　[36] 為關係推薦系統提出了一個貝葉斯個性化排名深度神經網路模型，該模型在 Epinion 和 Slashdot 社交網路數據集中進行訓練。該模型首先使用卷積神經網路從輸入網路抽取潛在的結構模式，然後再使用貝葉斯排名演演算法進行推薦。該基於深度學習的推薦系統要優於如矩陣分解演演算法、Katz 相似度、Adamic/Adar 相似度和簡單的成對輸入神經網路等基線方法。

　　[38] 提出了一個深度學習框架以解決長尾網頁服務的推薦問題。他們使用堆棧式降噪自編碼器來執行長尾條目的特徵提取，也就是對有非常少的內容描述和歷史使用數據的條目進行特徵提取。他們所提出的模型使用從 ProgrammableWeb.com 收集的數據集，並對比了如矩陣分解和主題模型等基線結果。

　　[21] 提出一種使用深度神經網路將用戶和商品映射到共同低維空間的矩陣分解方法。該模型使用顯性評分和隱性評分。在 MovieLens movies、Amazon Music 和 Amazon movies 數據集上將該模型和頂尖的矩陣分解方法進行對比、測試，結果顯示在 NDCG 指標上前者比後者高出 7.5%。

　　[22] 提出一種神經語義個性化排名方法，使用深度神經網路和 pairwise 學習解決協同推薦系統中的冷啟動問題。該方法在 Netflix 和 CiteuLike 數據集上優於矩陣分解方法和基於話題回歸（topic regression）的協同過濾方法。

　　[23] 提出一種去噪堆疊自編碼器，從原始稀疏用戶-商品矩陣中提取有用的低維特徵。研究者在 MovieLens 數據集上對比了該方法與基於商品的 CF 和 SVD 演演算法。

　　[24] 使用深度學習開發了一個通用框架對用戶-條目交互矩陣進行直接建模——而非只對輔助數據應用深度學習。該研究提出的方法完全取代了基於矩陣分解，或矩陣分解作為通用模型特例用於生成用戶和條目隱藏特徵的方法。該研究提出的通用模型與業內最佳矩陣分解方法（如 eALS 何 BPR）和基礎基準（如 ItemPop 和 ItemKNN）在 MovieLens 和 Pinterest 數據集上進行了比較。該方法在兩個數據集上的表現均較上述方法有了提高。

　　[39] 使用深度學習模型，特別是門控循環單元來學慣用戶交互特徵來提升個性化用戶界面的表現。研究中深度學習方法對業內最佳張量分解和度量嵌入的比較顯示了深度學習方法在用戶界面、網頁瀏覽和電子學習數據集上佔據優勢。

　　[25] 提出了一種圖形卷積矩陣完成方法，其中使用圖自動編碼框架來完成矩陣。除了僅使用用戶和條目的交互信息外，該模型還泛化為包含了用戶端和條目端兩部分的信息。該模型在六個真實世界數據集上進行了測試（Flixster、Douban、YahooMusic、MovieLens100K、MovieLens1M、MovieLens10M），並與矩陣填充方法（如幾何矩陣完成、交替最小二乘優化方法、基於 CNN 的矩陣完成方法）進行了比較，結果優異。

　　混合系統

　　在此部分，我們總結了深度學習在混合推薦系統上的研究。

　　[40] 開發了兩種基於神經網路的方法來改進個性化標籤推薦。該模型利用基於標籤的用戶和條目資料，使用深度學習模型將他們轉化為常見的隱空間。該研究發現，提出的模型超越了傳統的推薦方法，例如基於餘弦相似性的聚類方法、基於聚類的協同過濾方法以及基於自編碼器的協同過濾方法。

　　[33] 開發了一種基於卷積神經網路的模型來吸收用戶或者推薦條目的元數據信息，從而改進矩陣分解方法。該模型在電影場景與亞馬遜評論數據集上進行了評測，並與其他多種頂尖的協同過濾方法做了對比。

　　[26] 提出了一種基於去噪自編碼器的協同過濾方法。論文表示，該模型是一種適用於所有協同過濾方法的泛化框架，但能更靈活地做精調。在 ItemPop、ItemCF、Matrix factorization、BPR、FISM on MovieLens、Yelp、Netflix 基線上，該模型都極為卓越。

　　[37] 開發了一種深度語義矩陣分解模型來改進個性化標籤推薦的表現。在此研究中，作者集成了深度語義建模技術、混合學習技術以及矩陣分解來改進性能。在真實社交書籤數據集上的實驗分析表明，深度學習增強了矩陣分解推薦方法，且相比於帶有聚類的模型、矩陣分解方法、基於編碼器的模型和基於深度語義相似性的方法，這種集成方法極大的改進了在標籤推薦任務上的表現。

　　[34] 提出了一種帶有注意的神經網路來解決終端用戶推薦的問題。提出的這種架構，能夠解決新聞讀者閱讀興趣會隨時間變化的動態特性。該模型既能很好的處理靜態用戶與推薦條目的特徵，也能使用基於注意的循環神經網路處理用戶的動態閱讀興趣。在 CLEF NewsREEL 真實數據集上的大量實驗表明，該研究在條目流行度和矩陣分解等其他基線上，也體現了深度學習的有效性。

　　[27] 給出了一種做混合推薦系統的深度學習架構。該方法使用 doc2vec 模型來表達用戶與推薦條目的信息，並使用分類器預測條目與用戶間的關係。該方法使用的協同組件包括 k 最近鄰方法，用來預測某個用戶對一個推薦條目的評分。此外，基於注意的模型的結果和基於協同的模型結果使用前饋神經網路結合，且模型的表現是在 MovieLens 數據集上測試的。

　　[28] 引入了一個深度學習框架利用推薦條目和用戶端信息來支持係數用戶-條目評分矩陣中的信息缺乏。為了幫助信息利用，附加的堆疊去噪自動編碼器（aSDAE）被用於將信息轉換為潛在維度並與矩陣分解后的潛在因子矩陣結合。當模型在 MovieLens 數據集和 Book-Crossing 數據集（書籍讀者評分數據集）上測試時，該模型的表現超過了使用協同過濾的幾種最先進演演算法。

　　[29] 提出了一種上下文感知混合模型，它整合了卷積神經網路和條目統計中的概率矩陣分解。這種方法捕獲上下文信息，並用不同方式處理高斯雜訊。這種方法相比非深度學習的方法——如矩陣分解和協同主題回歸，以及深度學習方法如使用三個真實世界數據集的協同深度學習（兩個電影鏡頭數據集和一個亞馬遜錄影數據集）——都顯示了更好的表現。

　　4. 結論以及未來工作的方向

　　在本概述論文中，我們系統地總結了推薦系統中的各種深度學習方法的發展。我們討論了以下 3 類推薦系統中的各項研究：基於內容的推薦系統、基於協同過濾方法的推薦系統和混合系統。我們發現大部分深度學習方法都在增強協同過濾方法，而且相比於矩陣分解方法有極大地改進。我們也發現大部分深度學習方法都偏向於娛樂產業，比如音樂與電影推薦。這極大可能歸因於數據集的豐富，效果方便驗證。

　　根據目前的趨勢，我們預計推薦系統會沿以下方向發展：

　　在其他領域創造公開數據集，例如學術作者-文章數據集、在線零售數據集、包含用戶-推薦條目的交互信息以及有關用戶、推薦條目豐富元數據的數據集；

　　構建把用戶包含在內的測試台，評估推薦系統在近真實環境中的性能改進。目前，以上大部分研究成果中，使用深度學習改進的範圍大約在 5%-8%。但這種改進也需要在真實環境中測試。這也可以由收益後部署分析或者把產業推薦系統與深度學習集成后的方法來完成。

　

　我們還需要進行元分析，在同樣的基準上對比所有的深度學習模型。

　　6. 參考文獻

　　[1] A. Singhal and J. Srivastava, 「Research dataset discovery from research publications using web context,」 Web Intell., vol. 15, no. 2, pp. 81–99, 2017.

　　[2] A. Singhal, R. Kasturi, and J. Srivastava, 「DataGopher: Context-based search for research datasets,」 in Proceedings of the 2014 IEEE 15th International Conference on Information Reuse and Integration, IEEE IRI 2014, 2014, pp. 749–756.

　　[3] A. Singhal, 「Leveraging open source web resources to improve retrieval of low text content items,」 ProQuest Diss. Theses, p. 161, 2014.

　　[4] A. Singhal, R. Kasturi, V. Sivakumar, and J. Srivastava, 「Leveraging Web intelligence for finding interestingresearch datasets,」 in Proceedings - 2013 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2013, 2013, vol. 1, pp. 321–328.

　　[5] J. Lu, D. Wu, M. Mao, W. Wang, and G. Zhang, 「Recommender system application developments: A survey,」 Decis. Support Syst., vol. 74, pp. 12–32, 2015.

　　[6] S. Lakshmi and T. Lakshmi, 「Recommendation Systems: Issues and challenges,」 Int. J. Comput. Sci. Inf. Technol., vol. 5, no. 4, pp. 5771–5772, 2014.

　　[7] Y. LeCun, Y. Bengio, and G. Hinton, 「Deep learning,」 Nature, vol. 521, no. 7553, pp. 436–444, 2015.

　　[8] A. van den Oord, S. Dieleman, and B. Schrauwen, 「Deep content-based music recommendation,」 Electron. Inf. Syst. Dep., p. 9, 2013.

　　[9] X. Wang and Y. Wang, 「Improving Content-based and Hybrid Music Recommendation using Deep Learning,」 MM, pp. 627–636, 2014.

　　[10] J. Tan, X. Wan, and J. Xiao, 「A Neural Network Approach to Quote Recommendation in Writings,」 Proc. 25th ACM Int. Conf. Inf. Knowl. Manag. - CIKM 』16, pp. 65–74, 2016.

　　[11] H. Lee, Y. Ahn, H. Lee, S. Ha, and S. Lee, 「Quote Recommendation in Dialogue using Deep Neural Network,」 in Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval - SIGIR 』16, 2016, pp. 957–960.

　　[12] T. Bansal, D. Belanger, and A. McCallum, 「Ask the GRU,」 in Proceedings of the 10th ACM Conference on Recommender Systems - RecSys 』16, 2016, pp. 107– 114.

　　[13] L. Zheng, V. Noroozi, and P. S. Yu, 「Joint Deep Modeling of Users and Items Using Reviews for Recommendation,」 2017.

　　[14] X. Wang et al., 「Dynamic Attention Deep Model for Article Recommendation by Learning Human Editors』 Demonstration,」 in Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD 』17, 2017, pp. 2051– 2059.

　　[15] H. Wang, N. Wang, and D.-Y. Yeung, 「Collaborative Deep Learning for Recommender Systems,」 in Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2015, pp. 1235–1244.

　　[16] S. Li, J. Kawale, and Y. Fu, 「Deep Collaborative Filtering via Marginalized Denoising Auto-encoder,」 in Proceedings of the 24th ACM International on Conference on Information and Knowledge Management - CIKM 』15, 2015, pp. 811–820.

　　[17] R. Devooght and H. Bersini, 「Collaborative Filtering with Recurrent Neural Networks,」 Aug. 2016.

　　[18] A. K. Balazs Hidasi, 「Session-based Recommendation with Recurrent Neural Networks,」 ICLR, pp. 1–10, 2016.

　　[19] B. Hidasi, M. Quadrana, A. Karatzoglou, and D. Tikk, 「Parallel Recurrent Neural Network Architectures for Feature-rich Session-based Recommendations,」 in Proceedings of the 10th ACM Conference on Recommender Systems - RecSys 』16, 2016, pp. 241–248.

　　[20] D. Jannach and M. Ludewig, 「When Recurrent Neural Networks meet the Neighborhood for Session-Based Recommendation,」 in Proceedings of the Eleventh ACM Conference on Recommender Systems - RecSys 』17, 2017, pp. 306–310.

　　[21] H.-J. Xue, X.-Y. Dai, J. Zhang, S. Huang, and J. Chen, 「Deep Matrix Factorization Models for Recommender Systems *,」 2017.

　　[22] T. Ebesu and Y. Fang, 「Neural Semantic Personalized Ranking for item cold-start recommendation,」 Inf. Retr. J., vol. 20, no. 2, pp. 109–131, 2017.

　　[23] S. Cao, N. Yang, and Z. Liu, 「Online news recommender based on stacked auto-encoder,」 in Proceedings - 16th IEEE/ACIS International Conference on Computer and Information Science, ICIS 2017, 2017, pp. 721–726.

　　[24] X. He, L. Liao, H. Zhang, L. Nie, X. Hu, and T.-S. Chua, 「Neural Collaborative Filtering,」 in Proceedings of the 26th International Conference on World Wide Web - WWW 』17, 2017, pp. 173–182.

　　[25] R. Van Den Berg, T. N. Kipf, and M. Welling, 「Graph Convolutional Matrix Completion,」 arXiv, 2017.

　　[26] Y. Wu, C. DuBois, A. X. Zheng, and M. Ester, 「Collaborative Denoising Auto-Encoders for Top-N Recommender Systems,」 in Proceedings of the Ninth ACM International Conference on Web Search and Data Mining - WSDM 』16, 2016, pp. 153–162.

　　[27] G. Sottocornola, F. Stella, M. Zanker, and F. Canonaco, 「Towards a deep learning model for hybrid recommendation,」 in Proceedings of the International Conference on Web Intelligence - WI 』17, 2017, pp. 1260–1264.

　　[28] X. Dong, L. Yu, Z. Wu, Y. Sun, L. Yuan, and F. Zhang, 「A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems,」 Aaai, pp. 1309– 1315, 2017.

　　[29] D. Kim, C. Park, J. Oh, and H. Yu, 「Deep hybrid recommender systems via exploiting document context and statistics of items,」 Inf. Sci. (Ny)., vol. 417, pp. 72– 87, 2017.

　　[30] H. Liang and T. Baldwin, 「A Probabilistic Rating Autoencoder for Personalized Recommender Systems,」 in Proceedings of the 24th ACM International on Conference on Information and Knowledge Management - CIKM 』15, 2015, pp. 1863–1866.

　　[31] S. P. Chatzis, P. Christodoulou, and A. S. Andreou, 「Recurrent Latent Variable Networks for Session-Based Recommendation,」 in Proceedings of the 2nd Workshop on Deep Learning for Recommender Systems - DLRS 2017, 2017, pp. 38–45.

　　[32] V. Bogina and T. Kuflik, 「Incorporating dwell time in session-based recommendations with recurrent Neural networks,」 in CEUR Workshop Proceedings, 2017, vol. 1922, pp. 57–59.

　　[33] D. Kim, C. Park, J. Oh, S. Lee, and H. Yu, 「Convolutional Matrix Factorization for Document Context-Aware Recommendation,」 in Proceedings of the 10th ACM Conference on Recommender Systems - RecSys 』16, 2016, pp. 233–240.

　　[34] V. Kumar, D. Khattar, S. Gupta, and M. Gupta, 「Deep Neural Architecture for News Recommendation,」 in Working Notes of the 8th International Conference of the CLEF Initiative, Dublin, Ireland. CEUR Workshop Proceedings, 2017.

　　[35] S. Deng, L. Huang, G. Xu, X. Wu, and Z. Wu, 「On Deep Learning for Trust-Aware Recommendations in Social Networks,」 IEEE Trans. Neural Networks Learn. Syst., vol. 28, no. 5, pp. 1164–1177, 2017.

　　[36] D. Ding, M. Zhang, S.-Y. Li, J. Tang, X. Chen, and Z.-H. Zhou, 「BayDNN: Friend Recommendation with Bayesian Personalized Ranking Deep Neural Network,」 in Conference on Information and Knowledge Management (CIKM), 2017, pp. 1479–1488.

　　[37] Z. Xu, C. Chen, T. Lukasiewicz, and Y. Miao, 「Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation,」 Aug. 2017.

　　[38] B. Bai, Y. Fan, W. Tan, and J. Zhang, 「DLTSR: A Deep Learning Framework for Recommendation of Long-tail Web Services,」 IEEE Trans. Serv. Comput., pp. 1–1, 2017.

　　[39] H. Soh, S. Sanner, M. White, and G. Jamieson, 「Deep Sequential Recommendation for Personalized Adaptive User Interfaces,」 in Proceedings of the 22nd International Conference on Intelligent User Interfaces - IUI 』17, 2017, pp. 589–593.

　　[40] Z. Xu, C. Chen, T. Lukasiewicz, Y. Miao, and X. Meng, 「Tag-Aware Personalized Recommendation Using a Deep-Semantic Similarity Model with Negative Sampling,」 in Proceedings of the 25th ACM International on Conference on Information and Knowledge Management - CIKM 』16, 2016, pp. 1921– 1924.

　　機器之心推出「Synced Machine Intelligence Awards」2017，希望通過四大獎項記錄這一年人工智慧的發展與進步，傳遞行業啟示性價值。