摘要：随着电子商务和在线服务越来越普及，海量在线资源很多时候多到让用户无从选择，因此推荐系统的质量变得至关重要。传统的线性回归方法在很多系统里应用广泛，只不过，随着深度神经网络在图像视觉领域的突破，很多研究人员开始利用神经网络搭建深度推荐系统，推荐质量显著超越传统基于线性回归系统，同时也简化了以往搭建推荐系统所需专家知识(domain knowledge)。

深度推荐系统被广泛应用于Google多项面向用户的产品，一次又一次的突破质量瓶颈。此次演讲会由浅入深探讨如何构建基于深度学习的推荐系统，并讨论最新的技术发展。

演讲提纲

1. 回顾传统的线性回归方法
2. 探讨利用深度学习的优势
3. 信号类别

• 场景信号(context signal)：当前场景相关的信息
• 用户信号(user feature, user signal)：用户特征，用户历史信息，
• 物件信号(item signal, item features)：排序模型物件的特征

4. 两步定制化推荐

• 深度挖掘，生成候选人列表(deep retrieval, candidate generation)
• 混合人工生成的候选人，最终排序(ranking)

5. 模型训练模式

• 离线，根据系统日志 （适用于大系统，海量用户）
• 在线，强化学习（小量用户，快速迭代）

6. user vector， item vector （swivel model）

• 预生成的用户向量降低推断延时
• 超大规模物件向量的学习（稀疏问题）

7. 损失函数的构造(loss function)

听众受益

通过Zou老师在Google搭建深度推荐系统的宝贵经验，参会者能够了解深度推荐系统的基本元素和系统框架。同时讲师也将探讨最新的发展方向，希望能启发参会者发展出更好的系统。