7.14 研究展望

基于上面的讨论，可以看到目前神经网络模型（特别是深度模型）在推荐系统中的应用还是处于很初步的阶段，在未来会有更多、更广泛的尝试。下面对于未来四个可能的研究方向进行简要介绍。

结构化神经网络模型

目前在推荐系统已发表的学术论文中，比较成功的神经网络模型还是基于多层感知器架构进行变型的模型，很少有相关公开的科研成果报道基于结构化的神经网络模型取得了显著提高。这里结构化神经网络主要包括基于序列的循环神经网络或者树结构的递归神经网络。目前推荐系统面临的数据附加信息不断增加，因此原始的用户物品二维矩阵不能刻画复杂的推荐场景，如基于 session 的推荐等。因此，如何在实践中充分挖掘结构化神经网络模型的实战效果将是一个很重要的研究方向，其中文献[21,23] 是该方向的相关研究基础。

推荐结果的可解释性

推荐系统中一个重要问题就是如何加强推荐结果的可解释性，较好的推荐结果可解释性将会增加用户采用推荐结果的可能性。而大部分深度学习推荐算法是将数据变换到一个隐含空间，在这个隐含空间可以计算用户与物品之间的相似性，但是很难提供直接的推荐理由。可以说，这也是神经网络模型中的一个基本问题，模型输出不应该是简单给出神经元间的权重系数以及连接结构。已有的方法是使用主题模型学习得到的话题[24]以及显式的物品特征[25-26]来加强可解释性，这两个途径都值得深度学习推荐算法借鉴，加强模型的可解释性。

跨平台的信息融合与聚合

随着信息技术的不断发展，推荐系统所面临的推荐场景不在局限于单一用户信息领域和单一物品信息领域。例如，同一个用户可能同时对应多个社交账号信息，可能需要对其推荐多种类型的物品，实现信息的跨网站应用[10,27-29] 。在这种情况下，对于跨平台的信息融合与聚合尤为重要。之前的工作实际上已经在这方面初露端倪[16,30] ，神经网络模型在异构信息融合上已经发挥了一定的效果。这一方向值得继续深入挖掘。

在线学习以及增量学习

对于实用的推荐系统来说，需要对于模型的效果和效率做一个权衡，特别是要考虑数据的实时到达，因此在这种场景下在线学习和增量学习显得格外重要。传统情况下，深度神经网络模型的训练往往较耗时，需要一种在模型复杂度与训练速度两者之间有效的均衡，以满足数据的在线处理以及增量处理。