中文版协同过滤推荐系统综述

嘿，记得给“机器学习与推荐算法”添加星标

---

随着互联网和信息计算的飞速发展，互联网衍生了海量数据，我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难，信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用，该方法通过研究用户的兴趣偏好进行个性化计算，由系统发现用户兴趣进而引导用户发现自己的信息需求。

目前，推荐系统已经成为产业界和学术界关注、研究的热点问题，应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中，协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐，因此存在用户冷启动和项目冷启动问题。此外，随着信息量的急剧增长，传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题，推荐系统研究人员进行了大量的工作。

近年来，为了提高推荐效果、提升用户满意度，学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示，因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息，结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此，本文首先对推荐系统以及传统推荐算法进行概述，然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。

http://jcs.iie.ac.cn/xxaqxb/ch/reader/view_abstract.aspx?file_no=20210502&flag=1

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

总结 | 基于知识蒸馏的推荐系统

论文快报 | 推荐系统领域最新研究进展

Recsys21 | 浅谈推荐如何在NLP肩膀上前进

由于微信公众号试行乱序推送，您可能不再能准时收到机器学习与推荐算法的推送。为了第一时间收到干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧👇