Apprendimento profondo per il matching nella ricerca e nelle raccomandazioni

Titolo originale:

Deep Learning for Matching in Search and Recommendation

Contenuto del libro:

Il matching, che consiste nel misurare la rilevanza di un documento rispetto a una query o l'interesse di un utente nei confronti di un articolo, è un problema chiave sia nella ricerca che nella raccomandazione. L'apprendimento automatico è stato sfruttato per affrontare il problema e sono stati compiuti sforzi per sviluppare tecniche di apprendimento profondo per compiti di corrispondenza nella ricerca e nella raccomandazione. Con la disponibilità di una grande quantità di dati, di potenti risorse computazionali e di tecniche avanzate di deep learning, l'apprendimento profondo per il matching diventa ora lo stato dell'arte delle tecnologie di ricerca e raccomandazione.

La chiave del successo dell'approccio deep learning è la sua forte capacità di apprendimento di rappresentazioni e generalizzazione di modelli di corrispondenza dai dati. Questa indagine fornisce un'introduzione sistematica e completa ai modelli di deep matching per la ricerca e la raccomandazione. In primo luogo, fornisce una visione unificata del matching nella ricerca e nella raccomandazione e le soluzioni dei due campi possono essere confrontate in un unico quadro. Poi, l'indagine categorizza le attuali soluzioni di deep learning in due tipi: metodi di apprendimento della rappresentazione e metodi di apprendimento della funzione di corrispondenza. Vengono descritti i problemi fondamentali e le soluzioni all'avanguardia per la corrispondenza tra query e documenti nella ricerca e tra utente e articolo nella raccomandazione.

L'obiettivo di Deep Learning for Matching in Search and Recommendation è quello di aiutare i ricercatori delle comunità di ricerca e di raccomandazione a comprendere a fondo gli spazi, a stimolare idee e discussioni e a promuovere lo sviluppo di nuove tecnologie. Poiché il matching non è limitato alla ricerca e alla raccomandazione, le tecnologie qui introdotte possono essere generalizzate in un compito più generale di matching tra oggetti di due spazi.