La Raccomandazione · Il piatto giusto per te
Zhang et al. 2018 — Sistemi di Raccomandazione basati sul Deep Learning: Rassegna e Nuove Prospettive
Ogni volta che una piattaforma di streaming suggerisce il prossimo film, un negozio online propone un prodotto o un'app di notizie presenta articoli su misura, dietro c'è un sistema di raccomandazione. Entro il 2018, questi sistemi erano stati radicalmente trasformati dal deep learning.
Zhang e colleghi hanno censito oltre cento modelli neurali e hanno disegnato una mappa: nove famiglie architetturali, dalle reti neurali più semplici ai sistemi che imparano in tempo reale dai propri successi e insuccessi. La mappa che hanno prodotto è diventata il riferimento standard per ricercatori e ingegneri di tutto il mondo.
Cosa dice, in breve
- Zhang et al. 2018 è la rassegna sistematica di riferimento per i sistemi di raccomandazione basati sul deep learning, pubblicata su ACM Computing Surveys nel luglio 2018; copre oltre 100 modelli con una tassonomia a due livelli.
- Primo livello: nove famiglie architetturali (MLP, Autoencoder, CNN, RNN, RBM, NADE, Attention, GAN, Deep Reinforcement Learning); secondo livello: modelli ibridi profondi che combinano due o più famiglie in un'unica pipeline differenziabile.
- Evidenza industriale: l'80% dei contenuti guardati su Netflix e il 60% dei clic sulla homepage di YouTube derivano da sistemi di raccomandazione; Google Play, Yahoo News e Pinterest confermano la fattibilità su scala industriale.
- Quattro vantaggi sistemici del deep learning per la raccomandazione: trasformazione nonlineare, representation learning automatico, modellazione di sequenze temporali, flessibilità architetturale. Tre limitazioni riconosciute: deficit di interpretabilità, requisiti di dati elevati, onere di ottimizzazione degli iperparametri.
- Otto direzioni aperte identificate: apprendimento congiunto di rappresentazioni multimodali, raccomandazione esplicabile, maggiore profondità delle reti, ragionamento automatico, trasferimento cross-domain, multi-task learning, scalabilità, e standard di valutazione analoghi a ImageNet o SQuAD.
Provenienza
- Fonte
- Deep Learning based Recommender System: A Survey and New Perspectives— Zhang et al. 2018
- DOI
- 0000001.0000001
- Licenza
- All rights reserved - ACM © 2018
- Nel Kosmos
- 9 voci · 300 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.