在当今信息爆炸时代，个性化推荐系统是面向用户的互联网产品的核心技术，可以帮助用户获取所需要的信息，改善信息超载的问题。推荐系统的技术核心是对用户历史、物品属性和上下文等信息进行建模，以推断出用户兴趣，并向用户推荐感兴趣的物品。在信息大数据时代，要有效地利用海量用户历史信息和物品信息，机器学习技术必不可少。近年来深度学习技术迅猛发展，在多个领域取得了突破性的成果，包括语音处理、计算机视觉、自然语言处理等。本质上说，深度学习可以对数据特征进行复杂的映射，从而有效地学习出特征表示，并发现数据中蕴藏的规律。作为一种较为通用的数据建模方法，深度学习技术近年来在推荐系统领域也被广泛地应用。本文对推荐技术和深度学习在推荐系统上的研究进展进行简要介绍。
1 推荐技术简介
早期互联网产品主要以静态网页为主，用户与产品的交互较少。因此早期推荐系统形态主要是个性化程度较低的基于内容的推荐（content-based recommendation）——在用户浏览物品时，根据当前物品属性推荐其他相似物品。现代互联网产品提供许多方式以方便用户与产品的交流，内容提供商可以轻易收集到大量的用户历史，如点击、购买、打分、评论等。因此现代推荐系统的研究主要集中在如何挖掘用户与产品的交互记录，以实现高度个性化的推荐，也就是协同过滤技术（collaborative filtering），奠定了现代推荐系统的基础。
在实际应用中，除了海量的用户与产品的交互历史，还有丰富的用户画像（如年龄、性别、兴趣爱好等）、物品属性（如物品类别、描述、价格等）和上下文信息（如当前会话信息、位置等）。因此，实用的推荐算法需要有很强的扩展性，以轻易融合各种辅助信息（side information）。在通用的机器学习框架下，这些辅助信息可以被统一表示为特征向量（feature vector）作为算法的输入，因此称这一类通用推荐算法为基于特征的推荐（feature-based recommendation）。本章节简要介绍主流的协同过滤技术和基于特征的（浅层学习）推荐技术。
