推荐系统是人与信息的连接器，用已有的连接去预测未来用户和物品之间会出现的连接。推荐系统本质上处理的是信息，它的主要作用是在信息生产方和信息消费方之间搭建起桥梁，从而获取人的注意力。

“猜你喜欢”、“购买过此商品的用户还购买过……”对于离不开社交平台、电商、新闻阅读、生活服务的现代互联网用户来说，个性化推荐已经不是什么新鲜事儿。

随着信息技术和互联网行业的发展，信息过载成了人们处理信息的挑战。对于用户而言，如何筛选信息，过滤掉相关度低、完全不相关的信息、价值低和用户不感兴趣的信息；对于商家而言，如何发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品。推荐系统的诞生极大地缓解了这些困难。

据报道，推荐系统给亚马逊带来了35%的销售收入，给Netflix带来了高达75%的消费，并且Youtube主页上60%的浏览来自推荐服务。

下面将就深度学习在推荐系统中的应用展开讨论。

推荐系统与深度学习

深度学习在图像处理，自然语言理解和语音识别等领域取得了突破性进展，已经成为人工智能的一个热点。深度学习与推荐系统的结合，能够为推荐系统带来新的机遇。

深度学习的强大表征能力使得一方面可以学习用户和产品的深层非线性表征，另一方面非结构化数据处理成为可能。深度推荐系统现阶段的应用主要体现在三个层面：提升表征学习能力；深度协同过滤；特征间的深度交互。

深度学习技术在推荐系统中的应用前景很广阔。例如以下几个方向：

1. 效率与可拓展性

对于推荐系统而言，需要考虑模型的准确度，运行效率和可维护性等方面。效率高的系统会第一时间处理用户发送的请求，并且以几乎接近实时的速度返回结果，减少用户的等待时间；可维护性指系统的部署简便，能够支持定期更新，或者增量式更新。

目前来看，如何将计算量庞大的复杂神经网络更高效地应用在超大规模的推荐平台上，是亟需解决的技术难点。

2. 多样化数据融合

数据融合是指在一定准则下, 利用计算机技术进行的信息处理过程，该过程可对按时序获得的若干传感器观测信息加以自动分析、优化综合，以完成所需的决策和估计任务。也称为信息融合或多传感器融合，是指在一定准则下，利用计算机技术进行的信息处理过程，该过程可对按时序获得的若干传感器观测信息加以自动分析、优化综合，以完成所需的决策和估计任务。

随着科技的不断发展，在未来战争中，战场环境将日趋复杂，数据量将成几何数增长，同时还存在不少不确定信息和虚假信息。 在这种情况下，数据融合技术的不断发展必将大大提高信息处理的效率，为作战决策提供准确、及时、高效的信息支持。

3. 捕捉用户长短期偏好

用户的偏好大致可以分为长期和短期两类。长期偏好往往指用户的兴趣所在，人们在各种场景下的需求与行为模式，常常会带着他们以往的生活经验，打着惯性的烙印，惯性是理解他们行为走向的基本依据，因此，用户的长期偏好往往有很大的研究价值。

短期偏好指的是用户在当前环境下的即时兴趣或用户实时状态，包括用户在此时此地的各种身体、行为、需求等数据，它们既可能基于用户以往的惯性，也可能具有偶然性，特发性。目前一些流行的做法是，将循环神经网络与深度协同过滤技术结合，从而达到兼顾长短期记忆的功能。