（一）深度學習
推薦系統是人與信息的連接器，用已有的連接去預測未來用戶和物品之間會出現的連接。推薦系統本質上處理的是信息，它的主要作用是在信息生產方和信息消費方之間搭建起橋樑，從而獲取人的注意力。
“猜你喜歡”、“購買過此商品的用戶還購買過……”對於離不開社交平臺、電商、新聞閱讀、生活服務的現代互聯網用戶來說，個性化推薦已經不是什麼新鮮事兒。
隨著信息技術和互聯網行業的發展，信息過載成了人們處理信息的挑戰。對於用戶而言，如何篩選信息，過濾掉相關度低、完全不相關的信息、價值低和用戶不感興趣的信息；對於商家而言，如何發掘用戶的行為，找到用戶的個性化需求，從而將長尾商品準確地推薦給需要它的用戶，幫助用戶發現那些他們感興趣但很難發現的商品。推薦系統的誕生極大地緩解了這些困難。
據報道，推薦系統給亞馬遜帶來了35%的銷售收入，給Netflix帶來了高達75%的消費，並且Youtube主頁上60%的瀏覽來自推薦服務。
下面將就深度學習在推薦系統中的應用展開討論。
推薦系統與深度學習
深度學習在圖像處理，自然語言理解和語音識別等領域取得了突破性進展，已經成為人工智能的一個熱點。深度學習與推薦系統的結合，能夠為推薦系統帶來新的機遇。
深度學習的強大表徵能力使得一方面可以學習用戶和產品的深層非線性表徵，另一方面非結構化數據處理成為可能。深度推薦系統現階段的應用主要體現在三個層面：提升表徵學習能力；深度協同過濾；特徵間的深度交互。
深度學習技術在推薦系統中的應用前景很廣闊。例如以下幾個方向：
1. 效率與可拓展性
對於推薦系統而言，需要考慮模型的準確度，運行效率和可維護性等方面。效率高的系統會第一時間處理用戶發送的請求，並且以幾乎接近實時的速度返回結果，減少用戶的等待時間；可維護性指系統的部署簡便，能夠支持定期更新，或者增量式更新。
目前來看，如何將計算量龐大的複雜神經網絡更高效地應用在超大規模的推薦平臺上，是亟需解決的技術難點。
2. 多樣化數據融合
數據融合是指在一定準則下, 利用計算機技術進行的信息處理過程，該過程可對按時序獲得的若干傳感器觀測信息加以自動分析、優化綜合，以完成所需的決策和估計任務。也稱為信息融合或多傳感器融合，是指在一定準則下，利用計算機技術進行的信息處理過程，該過程可對按時序獲得的若干傳感器觀測信息加以自動分析、優化綜合，以完成所需的決策和估計任務。
隨著科技的不斷髮展，在未來戰爭中，戰場環境將日趨複雜，數據量將成幾何數增長，同時還存在不少不確定信息和虛假信息。 在這種情況下，數據融合技術的不斷髮展必將大大提高信息處理的效率，為作戰決策提供準確、及時、高效的信息支持。
3. 捕捉用戶長短期偏好
用戶的偏好大致可以分為長期和短期兩類。長期偏好往往指用戶的興趣所在，人們在各種場景下的需求與行為模式，常常會帶著他們以往的生活經驗，打著慣性的烙印，慣性是理解他們行為走向的基本依據，因此，用戶的長期偏好往往有很大的研究價值。
；短期偏好指的是用戶在當前環境下的即時興趣或用戶實時狀態，包括用戶在此時此地的各種身體、行為、需求等數據，它們既可能基於用戶以往的慣性，也可能具有偶然性，特發性。目前一些流行的做法是，將循環神經網絡與深度協同過濾技術結合，從而達到兼顧長短期記憶的功能。
閱讀更多 賦能商學院 的文章
