推荐系统在我们的日常生活中发挥着越来越重要的作用，特别是在许多以用户为导向的在线服务中，推荐系统在缓解信息过载问题方面发挥着重要作用。推荐系统的目标是通过利用用户和物品的交互来提高匹配的准确性，识别出一组最符合用户显性或隐性偏好的对象(即物品)。
随着深度神经网络(DNNs)在过去几十年的快速发展，推荐技术已经取得了良好的性能。然而，现有的基于DNN的方法在实践中存在一些缺陷。更具体地说，他们认为推荐过程是一个静态的过程，并按照一个固定的贪心策略进行推荐; 现有的大多数基于DNN的推荐系统都是基于手工制作的超参数和深度神经网络架构;它们将每个交互视为单独的数据实例，而忽略了实例之间的关系。
在本教程中，我们将全面介绍深度推荐系统中解决上述问题的先进技术的最新进展，包括深度强化学习(DRL)、自动机器学习(AutoML)和图神经网络(GNN)。
通过这种方式，我们希望这三个领域的研究人员能够对空间有更深刻的理解和准确的洞察，激发更多的想法和讨论，促进推荐技术的发展。
该链接可下载所有ppt内容：https://deeprs-tutorial.github.io/
也可公众号后台回复【教程】打包获取近10年共28份顶会官方教程合集
教程具体内容如下：
