“推荐系统”是一个非常广泛的领域，可以从不同的角度进行处理：潜在变量模型、图模型等。

“深度学习”是基于梯度的深度可微模型优化的总称，已被用于对各种监督学习问题进行建模，包括图和潜变量模型。因此，它已被应用于许多不同的领域，并取得了很大的成功。

多种深度学习方法已应用于推荐系统，因为深度学习在许多其他领域表现良好，所以为什么不期望它在推荐系统中表现良好。

神经方法已被证明对推荐系统也有效。这就是为什么它们现在被使用的原因。

此外，不同的归纳偏差已应用于其他领域的神经网络，在某些情况下，此类归纳偏差也可用于推荐，例如循环网络的顺序偏差或图神经网络的结构化偏差。

如果您想探索与神经推荐系统相关的学术出版物，我建议您从文章神经协同过滤和调查基于深度学习的推荐系统：调查和新观点开始。

此外，为了全面了解推荐系统的最新技术，您可以查看带有代码的论文，您可以在其中看到针对不同基准数据集的最佳性能系统，以及相关文章的链接和源代码存储库。

对这种方法感兴趣的各方（例如硬件供应商和云供应商）支持对神经一切事物的纯粹炒作。

对于推荐系统，这也部分归咎于早期研究中糟糕的设计实验（参见例如，我们真的取得了很大进展吗？最近神经推荐方法的令人担忧的分析或评估基线的难度），这使得它们看起来比替代方案更好直到更仔细地评估。

我曾经明白，其中一个原因是损失函数。

经典 ML（非 DL）可以正确处理逐点和逐对排名系统。但是对于listwise有很多问题。

DL 方法相对于非 DL 方法的优势之一是损失函数。使用 NN，您可以拥有更灵活的损失函数，并且可以解决列表问题。