With the growth of online information, varying personalization drifts and volatile behaviors of internet users, recommender systems are effective tools for information filtering to overcome the information overload problem. Recommender systems utilize rating prediction approaches i.e. predicting the rating that a user will give to a particular item, to generate ranked lists of items according to the preferences of each user in order to make personalized recommendations. Although previous recommendation systems are effective in creating attired recommendations, however, they still suffer from different types of challenges such as accuracy, scalability, cold-start, and data sparsity. In the last few years, deep learning has attained substantial interest in various research areas such as computer vision, speech recognition, and natural language processing. Deep learning based approaches are vigorous in not only performance improvement but also to feature representations learning from the scratch. The impact of deep learning is also prevalent, recently validating its efficacy on information retrieval and recommender systems research. In this study, a comprehensive review of deep learning-based rating prediction approaches is provided to help out new researchers interested in the subject. More concretely, the classification of deep learning-based recommendation/rating prediction models is provided and articulated along with an extensive summary of the state-of-the-art. Lastly, new trends are exposited with new perspectives pertaining to this novel and exciting development of the field.

中文翻译：

---

用于评级预测的深度学习技术：对最新技术的调查

随着在线信息的增长、不同的个性化漂移和互联网用户的易变行为，推荐系统是信息过滤以克服信息过载问题的有效工具。推荐系统利用评级预测方法，即预测用户对特定项目的评级，根据每个用户的偏好生成项目的排名列表，以进行个性化推荐。尽管以前的推荐系统在创建穿戴式推荐方面很有效，但是，它们仍然面临不同类型的挑战，例如准确性、可扩展性、冷启动和数据稀疏性。在过去的几年中，深度学习在计算机视觉、语音识别、和自然语言处理。基于深度学习的方法不仅在性能提升方面很有活力，而且在从头开始学习特征表示方面也很活跃。深度学习的影响也很普遍，最近验证了其对信息检索和推荐系统研究的功效。在这项研究中，提供了对基于深度学习的评级预测方法的全面回顾，以帮助对该主题感兴趣的新研究人员。更具体地说，提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。基于深度学习的方法不仅在性能提升方面很有活力，而且在从头开始学习特征表示方面也很活跃。深度学习的影响也很普遍，最近验证了其对信息检索和推荐系统研究的功效。在这项研究中，提供了对基于深度学习的评级预测方法的全面回顾，以帮助对该主题感兴趣的新研究人员。更具体地说，提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。基于深度学习的方法不仅在性能提升方面很有活力，而且在从头开始学习特征表示方面也很活跃。深度学习的影响也很普遍，最近验证了其对信息检索和推荐系统研究的功效。在这项研究中，提供了对基于深度学习的评级预测方法的全面回顾，以帮助对该主题感兴趣的新研究人员。更具体地说，提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。最近验证了它在信息检索和推荐系统研究方面的功效。在这项研究中，提供了对基于深度学习的评级预测方法的全面回顾，以帮助对该主题感兴趣的新研究人员。更具体地说，提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。最近验证了它在信息检索和推荐系统研究方面的功效。在这项研究中，提供了对基于深度学习的评级预测方法的全面回顾，以帮助对该主题感兴趣的新研究人员。更具体地说，提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。提供并阐明了基于深度学习的推荐/评级预测模型的分类以及对最新技术的广泛总结。最后，通过与该领域这一新颖而令人兴奋的发展相关的新视角来阐述新趋势。