In the Big Data Era, recommender systems perform a fundamental role in data management and information filtering. In this context, Collaborative Filtering (CF) persists as one of the most prominent strategies to effectively deal with large datasets and is capable of offering users interesting content in a recommendation fashion. Nevertheless, it is well‐known CF recommenders suffer from data sparsity, mainly in cold‐start scenarios, substantially reducing the quality of recommendations. In the vast literature about the aforementioned topic, there are numerous solutions, in which the state‐of‐the‐art contributions are, in some sense, conditioned or associated with traditional CF methods such as Matrix Factorization (MF), that is, they rely on linear optimization procedures to model users and items into low‐dimensional embeddings. To overcome the aforementioned challenges, there has been an increasing number of studies exploring deep learning techniques in the CF context for latent factor modelling. In this research, authors conduct a systematic review focusing on state‐of‐the‐art literature on deep learning techniques applied in collaborative filtering recommendation, and also featuring primary studies related to mitigating the cold start problem. Additionally, authors considered the diverse non‐linear modelling strategies to deal with rating data and side information, the combination of deep learning techniques with traditional CF‐based linear methods, and an overview of the most used public datasets and evaluation metrics concerning CF scenarios.

中文翻译：

---

基于协作过滤的推荐系统深度学习技术

在大数据时代，推荐系统在数据管理和信息过滤中起着基本作用。在这种情况下，协作过滤（CF）一直是有效处理大型数据集的最主要策略之一，并且能够以推荐的方式为用户提供有趣的内容。但是，众所周知，CF推荐者主要在冷启动场景中遭受数据稀疏的困扰，从而大大降低了推荐的质量。在有关上述主题的大量文献中，存在许多解决方案，在某种意义上，最新的技术在某种意义上是与传统的CF方法（例如矩阵分解（MF））联系在一起的，即，依靠线性优化程序将用户和物品建模为低维嵌入。为了克服上述挑战，已经有越来越多的研究探索在CF环境中对潜在因素建模的深度学习技术。在这项研究中，作者进行了系统的综述，重点研究了在协作过滤推荐中应用的深度学习技术的最新文献，并提供了与缓解冷启动问题有关的主要研究。此外，作者考虑了用于处理评估数据和辅助信息的多种非线性建模策略，深度学习技术与基于CF的传统线性方法的结合以及有关CF情景的最常用的公共数据集和评估指标的概述。越来越多的研究探索在CF环境中对潜在因素建模的深度学习技术。在这项研究中，作者进行了系统的综述，重点研究了在协作过滤推荐中应用的深度学习技术的最新文献，并提供了与缓解冷启动问题有关的主要研究。此外，作者考虑了用于处理评估数据和辅助信息的多种非线性建模策略，深度学习技术与基于CF的传统线性方法的结合以及有关CF场景的最常用的公共数据集和评估指标的概述。越来越多的研究探索在CF环境中对潜在因素建模的深度学习技术。在这项研究中，作者进行了系统的综述，重点研究了在协作过滤推荐中应用的深度学习技术的最新文献，并提供了与缓解冷启动问题有关的主要研究。此外，作者考虑了用于处理评估数据和辅助信息的多种非线性建模策略，深度学习技术与基于CF的传统线性方法的结合以及有关CF情景的最常用的公共数据集和评估指标的概述。作者进行了系统的综述，重点关注有关在协作过滤推荐中应用的深度学习技术的最新文献，并提供了与缓解冷启动问题有关的基础研究。此外，作者考虑了用于处理评估数据和辅助信息的多种非线性建模策略，深度学习技术与基于CF的传统线性方法的结合以及有关CF情景的最常用的公共数据集和评估指标的概述。作者进行了系统的综述，重点关注有关在协作过滤推荐中应用的深度学习技术的最新文献，并提供了与缓解冷启动问题有关的基础研究。此外，作者考虑了用于处理评估数据和辅助信息的多种非线性建模策略，深度学习技术与基于CF的传统线性方法的结合以及有关CF情景的最常用的公共数据集和评估指标的概述。