3 总结与展望
本文中简要介绍了推荐系统的核心技术，以及关于深度学习在推荐系统上的最新进展。可以看到，目前深度模型在推荐系统上的应用还处于比较初级的阶段[28]，尤其是技术上的发展较慢于计算机视觉和自然语言处理领域。关于未来工作有如下三点展望。
（1）在线学习与增量学习。在实际产品中，用户数据实时到达，为了更好地提供服务，推荐系统模型需要能够实时、有效地刷新推荐列表，这对模型的在线学习和增量学习带来挑战。现有的工作主要考虑矩阵分解等浅层模型的在线学习[13,16]，对于深度模型的研究较为稀疏。
（2）关于时间的建模。时间是影响用户行为的一个重要因素，但在现有的推荐系统文献中并没有得到很好的研究。本文对推荐算法的讨论也忽略了时间因素。文献[10]探索了在用户匿名的场景下基于session的推荐，采用了循环神经网络(RNN)对用户的访问序列进行建模。文献[46]考虑了电商场景中预测用户的下一个购物篮，将用户最近一次购物记录作为当前的上下文进行建模。在实际应用中，用户的长期兴趣会随着时间缓慢变化，而短期的兴趣会随着某些事件的发生剧烈变化。如何平衡用户长期和短期的兴趣是个很有意义的研究方向。
（3）模型的复杂度和可解释性。深度学习模型通常较为复杂，虽然有较多的模型参数，但并不意味着所有的参数都有意义。为了使深度模型更加实用，并能够快速处理现实中海量的用户数据，降低模型复杂度并增加模型的可解释性非常重要。我们最近的工作[27,41]在这方面做出了一些尝试，通过设计更有效的神经网络操作降低了对模型深度的依赖，并使用注意力机制提高了模型的可解释性。未来方向还包括采用模型压缩技术和哈希学习[47]进一步提高模型的效率。
