日萌社

6.1 推薦系統與深度學習關聯

深度學習發展成功與侷限

最近幾年深度學習的流行，大家一般認爲是從2012年 AlexNet 在圖像識別領域的成功作爲一個里程碑。AlexNet 提升了整個業界對機器學習的接受程度：以前很多機器學習算法都處在“差不多能做 demo ”的程度，但是 AlexNet 的效果跨過了很多應用的門檻，造成了應用領域井噴式的興趣。

CV領域的特徵數據是圖片的像素點——稠密的低階特徵，深度學習通過卷積層這個強力工具，可以自動對低階特徵進行組合和變換，相比之前人工定義的圖像特徵從效果上來說確實更加顯著。
在NLP領域因爲Transformer的出現，在自動特徵挖掘上也有了長足的進步，BERT利用Transformer在多個NLP Task中取得了State-of-The-Art的效果。
成功的原因：是大數據，是高性能計算。
- 大量的數據，比如說移動互聯網的興起，以及 AWS 這樣低成本獲得標註數據的平臺，使機器學習算法得以打破數據的限制；
- 由於 GPU 等高性能運算的興起，又使得我們可以在可以控制的時間內（以天爲單位甚至更短）進行 exaflop 級別的計算，從而使得訓練複雜網絡變得可能。
侷限的地方：一點是結構化的理解，一點是小數據上的有效學習算法。
- 很多深度學習的算法還是在感知這個層面上形成了突破，可以從語音、圖像，這些非結構化的數據中進行識別的工作。面對更加結構化的問題的時候，簡單地套用深度學習算法可能並不能達到很好的效果
- 在數據量非常小的時候，深度學習的複雜網絡往往無法取得很好的效果，但是很多領域，特別是類似醫療這樣的領域，數據是非常難獲得的。

爲什麼我們會想到使用深度學習去處理推薦系統裏面的事情呢

推薦系統的應用需求

實際上深度學習在自然語言處理，圖像處理，圖像識別等領域迅猛發展的近4年來，深度學習在其他領域，例如推薦系統也得到快速的發展。除了語音和圖像之外，如何解決更多問題。在阿里、美團等很多互聯網企業中有一個“沉默的大多數”的應用，就是推薦系統：它常常佔據了超過80%甚至90%的機器學習算力，並且已經取得了巨大的成功。
- 如何將深度學習和傳統推薦系統進一步整合，如何尋找新的模型，如何對搜索和推薦的效果建模，也是公司不可缺少的技能。
隨着社交媒體的迅速發展，大量的用戶生成內容(如社會化關係、標籤、評論、位置信息)能夠被獲取，推薦系統的內容更加多樣，包括朋友、標籤、音樂、視頻、新聞等；同時，除了傳統的推薦方法，也催生了大量新的推薦方法，例如
- 基於社交網絡的推薦方法等(多用在召回方面)
推薦系統在推薦內容、推薦方法等各個方面都朝着越來越多元的方向發展。

推薦系統從基於內容的推薦，到協同過濾的推薦，協同過濾的推薦在整個推薦算法領域裏獨領風燒了多年。或許深度學習在推薦系統裏面沒有像圖像處理算法那樣一枝獨秀，但是深度學習對於推薦系統的幫助確實起到了，推波助瀾的功效。

注：講完TF框架與深度學習算法之後，在介紹深度排序模型

發表評論

所有評論

還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.