推荐系统深度学习

本仓库包含基于深度学习的推荐系统相关文章、论文和代码库。

论文

1. 用于标签推荐的关联堆叠去噪自编码器，作者：王浩、史兴健、杨德彦。AAAI 2015
   来源：http://wanghao.in/paper/AAAI15_RSDAE.pdf
2. 推荐系统的协同深度学习，作者：王浩、王乃炎、杨德彦。KDD 2015
   来源：http://wanghao.in/CDL.htm，代码：https://github.com/js05212/CDL
3. 协同循环自编码器：边推荐边学习填补缺失值，作者：王浩、史兴健、杨德彦。NIPS 2016
   来源：https://papers.nips.cc/paper/6163-collaborative-recurrent-autoencoder-recommend-while-learning-to-fill-in-the-blanks
4. 面向文档上下文感知推荐的卷积矩阵分解，作者：金东贤、朴灿荣、吴镇浩、李承勇、柳焕祚。RecSys 2016。
   来源：http://dm.postech.ac.kr/~cartopy/ConvMF/，代码：https://github.com/cartopy/ConvMF
5. 基于神经自回归的协同过滤方法，作者：郑音等。
   来源：http://proceedings.mlr.press/v48/zheng16.pdf
6. 用于动态推荐系统的协同循环神经网络，作者：高英俊。ACML 2016
   来源：http://proceedings.mlr.press/v63/ko101.pdf
7. 基于自编码器的混合推荐系统，作者：弗洛里安·斯特鲁布。2016年
   来源：https://arxiv.org/pdf/1606.07659.pdf
8. 深度内容-based音乐推荐，作者：亚伦·范登奥德。
   来源：https://papers.nips.cc/paper/5004-deep-content-based-music-recommendation.pdf
9. DeepPlaylist：利用循环神经网络预测歌曲相似性，作者：阿努莎·巴拉克里希南。
   来源：https://cs224d.stanford.edu/reports/BalakrishnanDixit.pdf
10. 结合内容与社交信息的混合音乐推荐系统，作者：保罗·奇利瓜诺。
    来源：http://ieeexplore.ieee.org/document/7472151
11. 基于预训练神经网络的内容感知协同音乐推荐。
    来源：http://ismir2015.uma.es/articles/290_Paper.pdf
12. TransNets：为推荐学习变换，作者：罗斯·凯瑟琳。
    来源：https://arxiv.org/abs/1704.02298
13. 基于评论学习分布式表示以进行协同过滤，作者：阿姆贾德·阿尔马海里。
    来源：http://dl.acm.org/citation.cfm?id=2800192
14. 向GRU请教：用于深度文本推荐的多任务学习，作者：T·班萨尔。
    来源：https://arxiv.org/pdf/1609.02116.pdf
15. 一种用于推荐系统中跨领域用户建模的多视角深度学习方法，作者：阿里·曼杜赫·埃尔卡基。
    来源：http://sonyis.me/paperpdf/frp1159-songA-www-2015.pdf
16. 通过边缘化去噪自编码器实现深度协同过滤，作者：S·李。
    来源：https://pdfs.semanticscholar.org/ff29/2f00055d8221c42d4831679db9d3872b6fbd.pdf
17. 利用评论对用户和物品进行联合深度建模以用于推荐，作者：L·郑。
    来源：https://arxiv.org/pdf/1701.04783
18. 斯特鲁布的神经网络混合协同过滤
    来源：https://pdfs.semanticscholar.org/fcbd/179590c30127cafbd00fd7087b47818406bc.pdf
19. 基于相关去噪自编码器的信任感知Top-N推荐系统，作者：Y·潘。
    来源：https://arxiv.org/pdf/1703.01760
20. 用于物品冷启动推荐的神经语义个性化排序，作者：T·埃贝苏。
    来源：http://www.cse.scu.edu/~yfang/NSPR.pdf
21. 基于注意力机制的卷积神经网络，用于预测评论评分的用户和物品表示学习，作者：S·徐。
    来源：http://mlrec.org/2017/papers/paper8.pdf
22. 用于Top-N推荐系统的协同去噪自编码器，作者：Y·吴。
    来源：http://alicezheng.org/papers/wsdm16-cdae.pdf，代码：https://github.com/jasonyaw/CDAE
23. 用于YouTube推荐的深度神经网络，作者：保罗·科文顿。
    来源：https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf
24. 推荐系统的Wide & Deep学习，作者：程恒泽。
    来源：https://arxiv.org/abs/1606.07792
25. 关于推荐系统上深度学习的综述与评论，作者：郑雷。
    来源：http://bdsc.lab.uic.edu/docs/survey-critique-deep.pdf
26. 用于协同过滤的受限玻尔兹曼机，作者：鲁斯兰·萨拉胡丁诺夫。
    来源：http://www.machinelearning.org/proceedings/icml2007/papers/407.pdf，代码：https://github.com/felipecruz/CFRBM
27. Meta-Prod2Vec——利用辅助信息进行产品嵌入以用于推荐，作者：弗拉维安·瓦西列。
    来源：https://arxiv.org/pdf/1607.07326.pdf
28. 推荐系统中针对隐式和显式反馈的表示学习与成对排序，作者：米哈伊尔·特罗菲莫夫。
    来源：https://arxiv.org/abs/1705.00105
29. DeepFM：基于因子分解机的神经网络，用于CTR预测。IJCAI2017
    来源：https://arxiv.org/abs/1703.04247，代码（由读者提供）：https://github.com/Leavingseason/OpenLearning4DeepRecsys
30. 使用循环神经网络进行协同过滤，作者：罗宾·德沃格特。
    来源：https://arxiv.org/pdf/1608.07400.pdf
31. 训练深度自编码器用于协同过滤，作者：奥列克谢·库恰耶夫、鲍里斯·金斯堡。
    来源：https://arxiv.org/abs/1708.01715，代码：https://github.com/NVIDIA/DeepRecommender
32. 用于推荐系统的协同变分自编码器，作者：李晓鹏和詹姆斯·谢。
    来源：http://eelxpeng.github.io/assets/paper/Collaborative_Variational_Autoencoder.pdf，代码：https://github.com/eelxpeng/CollaborativeVAE
33. 用于协同过滤的变分自编码器，作者：梁大文、拉胡尔·G·克里希南、马修·D·霍夫曼和托尼·杰巴拉。
    来源：https://arxiv.org/pdf/1802.05814.pdf，代码：https://github.com/dawenl/vae_cf
34. 神经协同过滤，作者：何翔楠、廖丽姿、张汉旺、聂立强、胡霞和蔡达生。
    来源：https://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf，代码：https://github.com/hexiangnan/neural_collaborative_filtering 来源：https://arxiv.org/abs/1708.05031
35. 用于点击率预测的深度会话兴趣网络，代码：https://github.com/shenweichen/DeepCTR
    来源：https://arxiv.org/pdf/1905.06482v1.pdf
36. AutoInt：通过自注意力神经网络自动学习特征交互，代码：https://github.com/shichence/AutoInt
    来源：https://arxiv.org/pdf/1810.11921v2.pdf
37. 基于产品的神经网络，用于在多字段分类数据上预测用户响应，代码：https://github.com/Atomu2014/product-nets-distributed
    来源：https://arxiv.org/abs/1807.00311

博客

1. 深度学习与推荐系统，作者：Wann-Jiun。
   来源：https://blog.nycdatascience.com/student-works/deep-learning-meets-recommendation-systems/
2. 推荐系统的机器学习 来源：https://medium.com/recombee-blog/machine-learning-for-recommender-systems-part-1-algorithms-evaluation-and-cold-start-6f696683d0ed
3. 了解我们全新的客户端集成支持，更快地部署个性化推荐 来源：https://medium.com/recombee-blog/check-out-our-new-client-side-integration-support-and-deploy-personalized-recommendations-faster-7dd7bf5b6241

研讨会

1. 第二届深度学习在推荐系统中的应用研讨会，2017年8月27日。意大利科莫。
   来源：http://dlrs-workshop.org
2. AAAI-19 推荐系统与自然语言处理研讨会（RECNLP） 来源：https://recnlp2019.github.io/
3. 第四届健康推荐系统研讨会，与 ACM RecSys 2019 同期举行 来源：https://healthrecsys.github.io/2019/

教程

1. 深度学习在推荐系统中的应用，主讲人：Balázs Hidasi。RecSys 夏季学校，2017年8月21日至25日，博尔扎诺。幻灯片
2. 深度学习在推荐系统中的应用，主讲人：Alexandros Karatzoglou 和 Balázs Hidasi。RecSys2017 教程。幻灯片
3. 推荐系统入门，主讲人：Miguel González-Fierro。链接
4. 使用 RBM 的协同过滤，来自大数据大学。链接
5. 在 TensorFlow 中构建推荐系统：概述。链接

软件

1. Spotlight：基于 PyTorch 的深度学习推荐系统，后端同时利用因子分解模型和序列模型。
   来源：https://github.com/maciejkula/spotlight

2. Amazon DSSTNE：亚马逊推出的深度学习库（尤其适用于推荐系统等稀疏数据场景）。
   来源：https://github.com/amzn/amazon-dsstne

3. Recoder：使用 PyTorch 进行大规模协同过滤因子分解模型训练。
   来源：https://github.com/amoussawi/recoder

4. PredictionIO 基于 Apache Spark、Apache HBase 和 Spray 等技术构建，是一款可用于创建推荐系统的机器学习服务器。其源代码可在 GitHub 上找到，且项目非常活跃。
   来源：https://github.com/apache/predictionio

书籍

1. 实用推荐系统，作者：Kim Falk（Manning 出版社）。第一章
   来源：https://www.manning.com/books/practical-recommender-systems
2. 推荐系统手册，作者：Ricci, F. 等。
   来源：https://dl.acm.org/citation.cfm?id=1941884

Deep-Learning-for-Recommendation-Systems 快速上手指南

本项目是一个聚合了基于深度学习的推荐系统相关文章、论文、代码库、教程及软件工具的资源仓库，而非单一的独立软件包。本指南将指导开发者如何利用该仓库中的核心资源（特别是推荐的开源框架）快速搭建深度学习推荐系统环境并运行示例。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (Ubuntu/CentOS), macOS 或 Windows (建议配合 WSL2 使用)。
• Python 版本：推荐 Python 3.8 及以上版本。
• 硬件要求：
  • 强烈建议使用支持 CUDA 的 NVIDIA GPU 以加速模型训练。
  • 若无 GPU，可使用 CPU 模式运行小型数据集示例，但速度较慢。
• 前置依赖：
  • git：用于克隆代码库。
  • pip 或 conda：Python 包管理工具。
  • 深度学习框架：根据您选择的具体项目，通常需要安装 PyTorch 或 TensorFlow。

国内加速建议：

• Git 克隆加速：若直接从 GitHub 克隆速度慢，可使用 Gitee 镜像（如有）或配置代理。
• Python 包下载：推荐使用清华源或阿里源安装依赖。

  pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
  

• PyTorch/TensorFlow 安装：请访问对应官网的“国内镜像”页面获取安装命令，或使用清华开源镜像站。

安装步骤

由于本仓库是资源列表，我们将以仓库中推荐的通用且活跃的 PyTorch 框架 Spotlight 为例进行安装演示（同时也适用于仓库中列出的其他如 DeepCTR, CDAE 等具体项目）。

1. 克隆资源仓库（可选）

如果您想浏览所有论文和链接，可以先克隆主仓库：

git clone https://github.com/maciejkula/deep-learning-recommenders.git
# 注意：原仓库地址需替换为实际对应的 GitHub 地址，此处仅为示意，实际请直接访问各子项目

2. 创建虚拟环境

建议使用 conda 或 venv 隔离环境：

conda create -n recsys python=3.9
conda activate recsys

3. 安装深度学习框架

方案 A：使用 PyTorch (推荐，适配 Spotlight, Recoder 等项目) 使用清华源加速安装：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 若无 GPU，使用 CPU 版本：
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

方案 B：使用 TensorFlow (适配 DeepCTR, AutoInt 等项目)

pip install tensorflow

4. 安装具体推荐系统库

以 Spotlight 为例：

pip install spotlight

或者以 DeepCTR (仓库中提及的 Deep Session Interest Network 实现) 为例：

git clone https://github.com/shenweichen/DeepCTR.git
cd DeepCTR
pip install -r requirements.txt
pip install .

基本使用

以下展示如何使用 Spotlight 库快速构建并训练一个简单的矩阵分解（Matrix Factorization）推荐模型。这是深度学习推荐系统中最基础的入门示例。

1. 准备数据

Spotlight 内置了常用的 MovieLens 数据集加载器。

2. 编写训练脚本

创建一个名为 train_model.py 的文件，写入以下代码：

from spotlight.interactions import Interactions
from spotlight.factorization.explicit import ExplicitFactorizationModel
from spotlight.evaluation import rmse_score
from spotlight.datasets import movielens

# 1. 加载数据 (使用 MovieLens 100k 数据集)
dataset = movielens.get_movielens_dataset('100K')
interactions = dataset.interactions

# 2. 定义模型
# 使用隐式反馈或显式评分的矩阵分解模型
model = ExplicitFactorizationModel(loss='regression',
                                   n_factors=50, # 潜在因子维度
                                   sparse=False)

# 3. 训练模型
print("开始训练模型...")
model.fit(interactions, epochs=10, verbose=True)

# 4. 评估模型 (计算 RMSE)
rmse = rmse_score(model, interactions)
print(f"模型测试集 RMSE: {rmse:.4f}")

# 5. 进行简单预测 (为用户 0 推荐前 5 个物品)
# 注意：实际生产中需处理冷启动和新用户逻辑
user_id = 0
scores = model.predict(user_id)
top_items = scores.argsort()[::-1][:5]

print(f"为用户 {user_id} 推荐的物品 ID: {top_items}")

3. 运行示例

在终端执行脚本：

python train_model.py

进阶指引

• 复现论文代码：若要复现 README 中列出的特定论文（如 NCF, ConvMF），请直接访问对应论文的 Code 链接（通常在 GitHub 上），克隆该项目后，参照其目录下的 README.md 或 examples/ 文件夹运行特定脚本。
• 使用 DeepCTR：对于点击率（CTR）预估任务，可参考 DeepCTR 文档，使用 DeepFM 或 AutoInt 模型，只需几行代码即可构建复杂的特征交叉网络。

通过以上步骤，您已成功利用该资源库中的工具搭建了基础的深度学习推荐系统流程。