推荐系统综述
基于深度学习的智能推荐系统综述
第10卷第1期2021年1月网络新媒体技术Vol.10No.1Jan．2021·前沿与综述·基于深度学习的智能推荐系统综述*王星凯邓浩江盛益强（中国科学院声学研究所国家网络新媒体工程技术研究中心北京100190中国科学院大学北京100049）摘要：随着互联网技术的发展，人们对于网络资源的依赖和需求也在增长，如何为用户推荐其感兴趣的项目成为重要的研究课题，因此推荐系统被提出并应用。
本文首先介绍了传统推荐算法和结合深度学习技术的智能推荐算法，阐述了推荐系统中的关键问题，并介绍了结合深度学习技术解决相应问题的方法，最后分析了基于深度学习的智能推荐系统未来的研究方向。
关键词：推荐算法，深度学习，序列推荐，冷启动，数据稀疏A Ｒeview of Intelligent Ｒecommendation System Based on Deep LearningWANG Xingkai ，DENG Haojiang ，SHENG Yiqiang（National Network New Media Engineering Ｒesearch Center ，Institute of Acoustics ，Chinese Academy of Science ，Beijing ，100190，China ，University of Chinese Academy of Sciences ，Beijing ，100049，China ）Abstract ：With the development of Internet technology ，the user ’s needs for network resources are also growing．How to recommend i-tems has become an important research topic．The recommendation system has been proposed and applied to solve the problem．First-ly ，this paper introduces the traditional recommendation algorithm and the intelligent recommendation algorithm combined with deep learning technology．Then ，it describes the key problems in the recommendation system．It also introduces methods based on deep learning technology to solve the corresponding problems．Finally ，it analyzes the possible research direction of the intelligent recom-mendation system based on deep learning in the future．Keywords ：recommendation algorithm ，deep learning ，sequential recommendatio ，cold －start ，data －sparse本文于2020－06－28收到，2020－09－07收到修改稿。
推荐系统综述
推荐系统综述【摘要】“信息超载”问题日趋明显，简单的信息检索已经不能满足用户搜索准确信息的需求，推荐系统应运而生。
尽管推荐系统被广泛应用于电子商务中，但是推荐算法还面临较多难题。
文章首先介绍了推荐系统相关概念、算法，然后分析了这些算法的优劣，最后总结了推荐系统需要解决的一些主要问题和研究方向。
【关键词】推荐系统;信息检索;信息超载1.序言网络和计算机技术的高速发展，使信息资源呈几何级速度增长，“信息超载”[1][2]已越趋明显，而且信息资源的存储方式已发生了质的变化，由结构化文本数据到非结构化图片、音频、视频等数据的转变，增加了信息检索的难度，因此如何寻找到准确信息资源的方法显得尤为重要。
当前，信息检索是解决这一问题的主要方法，其能够满足简单的用户需求，没有个性化的服务，有两种检索方式：分类检索、关键词检索。
分类检索是通过对信息的特征分类，让用户寻找需求的目录类别，从而实现信息查询，但是分类检索暴露出较多的问题：（1）交叉学科不断出现增加了项目分类的难度，无法确定项目的类别;（2）项目分类的规则无法统一，使得分类规则差异较大;（3）用户需要反复查找项目分类，耗时耗力[3]。
关键词检索是目前搜索引擎的主流，通过校对预存储信息和关键词，将匹配度高的信息返回给用户界面，查询速度较快，但是关键词检索的查准率低，用户个性化程度低，任何用户搜索的关键词相同，检索出的结果也是相同的，这不能满足用户需求[4]。
但是推荐系统[5][6][7]能够提供这一个性化服务，能够根据用户的特征，推荐满足用户需求的对象，其主要优点是能够主动收集用户的特征资料，通过对用户个性、习惯、偏好的分析，定制的向用户提供其感兴趣的信息，同时能够及时跟踪用户的需求变化，根据变化自动调整信息服务的方式和内容。
2.推荐系统的概念从1990年代开始，推荐系统逐渐被大家进行研究，其内容涉及认知科学、近似理论、信息检索、管理科学等领域。
很多学者对推荐系统进行了广泛的研究，美国学者ReSnick等人率先提出“推荐系统”一词，并通过对一个典型推荐系统的简单描述给出了推荐系统的定义：推荐系统以所有用户的意见作为输入，对用户的意见进行综合，将有价值的意见提供给某一适合的用户，系统的好坏取决于所提供意见与用户需求之间的匹配程度;GroupLens研究小组从电子商务网站的角度对推荐系统进行了定义：推荐系统采用数据分析技术预测用户对项目的偏好值或为用户产生一个top-N推荐列表，帮助用户搜寻出他们愿意购买的电子商务网站的项目;明尼苏达大学Konstan把推荐系统定义为：推荐系统利用群体意见，帮助群体中每名成员识别其最感兴趣或最能满足其需求的产品或信息。
个性化推荐系统研究综述
个性化推荐系统研究综述【摘要】个性化推荐系统不仅在社会经济中具有重要的应用价值，而且也是一个非常值得研究的科学问题。
给出个性化推荐系统的定义，国内外研究现状，同时阐述了推荐系统的推荐算法。
最后对个性化推系统做出总结与展望。
【关键词】推荐系统；推荐算法；个性化1.个性化推荐系统1.1个性化推荐系统的概论推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。
传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。
事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。
一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。
推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。
1.2国内外研究现状推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。
随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。
ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。
个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。
最近的迅猛发展，来源于Web210技术的成熟。
有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。
个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的同时有效保护用户隐私值得作进一步深入的研究；（6）关于推荐结果的解释的研究；（7）关于推荐系统规模性的研究等。
基于算法的分类器设计中的推荐系统方法综述
基于算法的分类器设计中的推荐系统方法综述随着互联网的快速发展和数据的不断增长，推荐系统在各个领域中发挥着重要的作用。
作为一种基于算法的分类器设计方法，推荐系统能够根据用户的个性化需求，为其提供个性化的推荐结果。
本文将综述基于算法的分类器设计中的推荐系统方法，重点介绍基于协同过滤、基于内容过滤和混合推荐算法三个主要方法的原理和应用。
一、基于协同过滤的推荐系统方法基于协同过滤的推荐系统方法是最经典和常用的推荐算法之一。
其基本原理是通过分析用户之间的相似性或物品之间的相似性，预测用户对于未知物品的喜好程度。
协同过滤可以分为基于用户的协同过滤和基于物品的协同过滤两种方式。
1. 基于用户的协同过滤基于用户的协同过滤方法是通过寻找与目标用户兴趣相似的其他用户，将这些用户喜欢的物品推荐给目标用户。
它的核心思想是“喜欢类似物品的人可能也会喜欢相似的物品”。
其中，常用的算法包括最近邻算法、加权最近邻算法和基于领域的推荐算法等。
2. 基于物品的协同过滤基于物品的协同过滤方法是通过分析物品之间的相似性，为用户推荐他们可能感兴趣的物品。
它的核心思想是“如果用户喜欢物品A，而物品A与物品B相似，那么用户也可能喜欢物品B”。
其中，常用的算法包括基于物品余弦相似度和基于物品相关度矩阵的推荐算法等。
二、基于内容过滤的推荐系统方法基于内容过滤的推荐系统方法是通过分析物品的内容特征，利用用户的历史行为和喜好，为用户推荐与其兴趣相关的物品。
与协同过滤方法相比，基于内容过滤更加注重物品本身的特征，能够满足用户的个性化需求。
基于内容过滤的推荐系统方法包括建立物品-特征矩阵、构建用户-特征矩阵和计算物品之间的相似度等步骤。
通过分析物品的关键词、标签、描述等特征信息，识别用户的兴趣偏好并为其推荐相关的物品。
三、混合推荐算法混合推荐算法是将不同的推荐算法进行组合，以提高推荐效果和覆盖率。
常见的混合推荐算法包括加权融合算法、级联推荐算法和混合推荐模型等。
推荐系统的发展综述
推荐系统的发展综述推荐系统发展至今，其背后的技术大致可以划分为三类:基于内容的模型，基于协同过滤的模型，以及混合模型。
基于内容的推荐模型主要在于分别建立用户和物品的档案资料，从而计算用户和物品之间的相似度。
物品的档案通常由它的各种属性资料构成，以服装领域为例，可以为价格、品牌、类别、颜色、风格、款式、尺寸等等。
用户的档案可以包括她们的人口统计学资料，也可以是从她们的历史交互过的物品档案中构建，例如，用户经常购买杰克琼斯的服装，说明她比较喜欢这个服装品牌。
建立了用户和物品的档案之后，可以直接计算相似度，也可以把它们当做特征放入机器学习的模型。
基于内容的推荐模型的优点是，只要得到了物品或者用户的档案，就可以处理冷启动的问题:其次，因为档案都是显式的特征，最终的模型有比较好的可解释性。
基于协同过滤的推荐模型是目前学术界研究得最广泛的模型。
它不需要使用用户或者物品的档案资料，只需要收集用户历史的行为记录,发掘其中用户和用户、物品与物品之间潜在的相似性，并基于这种群组的相似性完成推荐。
协同过滤模型可以分为两类:基于邻居的方法和基于模型的方法。
基于邻居的方法的核心在于根据历史的行为记录，构建user一user,或者item一item的相似度矩阵。
常用的相似度计算方法有余弦相似度、皮尔逊相似度等。
基于樸型的推荐中最常用的方法是隐因子樸型。
是这一技术发展的重要里程碑。
在这类模型中，用户和物品都被嵌入到一个低维的向量表示，用户和物品的相关性则体现在它们对应的隐向量的点积关系。
这种方法的优点在于效率高，一旦训练出了模型，用户和物品的关系就能很方便地通过点积计算出来;同时准确度也相比于邻居模型要好。
其缺点也很明显，不能解决冷启动的问题，同时学习出的隐向量不方便解释。
混合模型则是指将多种推荐模型相结合，取长补短，从而得到更好的推荐效果。
工业界常用的模型往往是混合的模型。
这类模型可以是通过各种集成学习的方式组合而来，也可以是一种端到端的樸型，Wide&Deep 等樸型。
推荐系统概述
推荐系统概述⼀、什么是推荐系统 推荐系统：通过分析⽤户的历史⾏为记录来了解⽤户的喜好，从⽽主动为⽤户推荐其感兴趣的信息，满⾜⽤户的个性化推荐需求 推荐系统是⾃动联系⽤户和物品的⼀种⼯具，和搜索引擎相⽐，推荐系统通过研究⽤户的兴趣偏好，进⾏个性化计算。
推荐系统可发现⽤户的兴趣点，帮助⽤户从海量信息中去发掘⾃⼰潜在的需求⼆、长尾理论 “长尾”⽤来描述电⼦商务⽹站的商业模式和经济模式。
长尾理论：普通产品和冷门产品所共同占据的市场份额可以和那些少数热销产品所占据的市场份额相匹敌甚⾄更⼤ 因此，可以通过发掘长尾商品并推荐给感兴趣的⽤户来提⾼销售额。
这需要通过个性化推荐来实现 推荐系统可以创造全新的商业和经济模式，帮助实现长尾商品的销售。
推荐系统和长尾理论结合，可使得⽤户和商家共赢(⽤于得到感兴趣的商品，商家扩⼤了销售)三、推荐⽅法 推荐系统的本质是建⽴⽤户与物品的联系，根据推荐算法的不同，推荐⽅法包括如下⼏类： 1、专家推荐：⼈⼯推荐，由资深的专业⼈⼠来进⾏物品的筛选和推荐，需要较多的⼈⼒成本 2、基于统计的推荐：基于统计信息的推荐（如热门推荐），易于实现，但对⽤户个性化偏好的描述能⼒较弱 3、基于内容的推荐：通过机器学习的⽅法去描述内容的特征，并基于内容的特征来发现相似的内容 4、协同过滤推荐：利⽤与⽬标⽤户相似的⽤户已有的商品评价信息，来预测⽬标⽤户对特定商品的喜好程度。
是应⽤最早和最为成功的推荐⽅法之⼀。
5、混合推荐：结合多种推荐算法来提升推荐效果四、推荐系统模型 ⼀个完整的推荐系统通常包括3个组成模块：⽤户建模模块、推荐对象建模模块、推荐算法模块： 1、⽤户建模模块：对⽤户进⾏建模，根据⽤户⾏为数据和属性数据来分析⽤户的兴趣和需求 2、推荐对象(物品)建模模块：根据对象数据对推荐对象进⾏建模。
推荐对象即被推荐的物品，包括实物和虚拟物品。
3、推荐算法模块：基于⽤户特征和物品特征，采⽤推荐算法计算得到⽤户可能感兴趣的对象，并根据推荐场景对推荐结果(物品)进⾏⼀定调整，将推荐结果最终展⽰给⽤户五、推荐系统的应⽤ ⽬前推荐系统已⼴泛应⽤于电⼦商务、在线视频、在线⾳乐、社交⽹络等各类⽹站和应⽤中。
社会化推荐系统综述
2020，56（1）
1
⦾热点与综述⦾ቤተ መጻሕፍቲ ባይዱ
社会化推荐系统综述
张岐山，翁丽娟 福州大学 经济与管理学院，福州 350108
摘 要：推荐系统可以帮助网民从大量纷繁的信息中找到目标信息，能有效提高网民信息检索能力，然而推荐系统 存在数据稀疏性 、冷启动以及系统性能方面的问题。为解决这方面的问题 ，提出将社交关系应用于推荐系统 ，该方 法是提高推荐准确性的一个重要途径 ，在多年的科研实践中取得了重要进展 ，因此该研究方向也日益成为众多学者 关注的领域 ，有关这方面的研究也越来越活跃。通过对社会化推荐系统概念进行梳理 ，对社会化推荐系统与传统推 荐系统进行比较 ，回顾总结了社会化推荐系统的研究现状 ，希望能从研究现状中找出新规律 ，寻求新的突破点 ，并对 社会化推荐系统的发展趋势进行展望，以期对后来研究者有所帮助。 关键词：推荐系统 ；社会化推荐 ；协同过滤 ；矩阵分解 ；社交媒体 文献标志码：A 中图分类号：TP391.3 doi：10.3778/j.issn.1002-8331.1907-0378
张岐山，翁丽娟 . 社会化推荐系统综述 . 计算机工程与应用，2020，56（1）：1-10. ZHANG Qishan, WENG Lijuan. Review of social recommender systems. Computer Engineering and Applications, 2020, 56（1）：1-10.
项目信息类型主要采用方法输入数据推荐结果社会化推荐系统评分信息社交关系信息协同过滤算法社会网络分析法数据规模大数据稀疏性冗余性更强准确度更高传统推荐系统评分信息协同过滤算法数据规模小数据稀疏性冗余性较小准确度更低表1社会化推荐系统与传统推荐系统的主要差异张岐山等
推荐系统综述
．
ｔ ｏ ｐ — Ｎ 推 荐列表 ，帮助 用户搜 寻 ｓ ｔ ａ ｎ 把推荐系统定义为：推荐系统
一
利用群体意见 ，帮助 群体中每名成员识别 户 。 其最感兴趣或最 能满 足其需求的产 品或信 基于 内容的推荐算法 需要 先创建每 个 息。 用户的独立模板 ，这 里面存储着用 户的一 ３ ． 主要推荐算法 些基本信息 ，包括 兴趣、爱好等信 息，这 目前推 荐系统采用 的推荐算法主要包 些数据信息将随着用 户的操作而实 时地 进 括关联规则 、基 于 内容的推荐 、协 同过滤 行数据更新 。 和混合推荐 。 ３ ． ３ 协 同过 滤 推 荐 ３ ． １基 于关联规则的推荐 协 同过滤是筛选 出一组与 目标 用户兴 基 于关联规则 的推荐是 以产 品间关联 趣相近 的邻 居用户，根据邻居 用户的偏好 规 则为 基础 ，把 己购商 品作为规 则头 ，推 推 测 目标 用户 的偏 好 ，向 目标 用 户推 荐 荐对 象作为规则体 ，通过数据挖 掘发现项 其最有可 能感兴趣的项 目（ ￣Ｗ ｅ ｂ 页面 、音 目之间潜在的联系 以实施 连带推荐 “ 。 乐 、视频 、商 品等） ，它是站 在用 户角度 关联规则挖掘 技术可 以发现 不同商 品 进 行信 息推荐 ，并且这些 推荐信息是 自动 在 销售过程 中的相关性 ，在 电子商务推荐 的，根据用户显式 的操作 （ 比如购买信息、 系 统中 已经有 了比较成 熟的应用 。在 电子 网页浏览信息等） 进 行推荐 。协同过滤算 法 商务 系统 中会有保 留用户 交易记录的交 易 与 基于 内容的推荐技术 的算法相 比，具有 数据库，关联规则挖掘将对 交易数据库进 较 多优 点 ： 行分析 ，将会计算购 买商品集ｘ 的记录集 中 １ ） 协 同过滤 算法能够解 决 内容过滤 算 有多少 同时购买了商品集Ｙ ，当这个比例超 法 的产品关键字 获取 不完整或不准确而 产 过一定 阀值时 则认 为商品集ｘ 与商品集Ｙ 存 生的 问题 ，通过共 享同组用户 的信 息为其 在关联规则 ，实际购物 中有相 当部分 的用 推荐 内涵较 高的项 目，比如信 息质 量、个 户在购 买了某 件商品时 同时购 买了另一件 人品味等这些信息不能表述清楚 ； ２ ） 协同过滤算法 能够 挖掘用 户隐藏的 商 品。基 于关联规则的推荐系统依据 计算 分析所得 到的关联规则 ，并基于 用户的实 兴趣 。内容推荐算法推荐 的信 息基本都是 际购买行为向用户实施推荐 ｕ … 。 用户相对 熟悉的 内容 ，但 是协同过滤算法 如果规则 同时满足 预先设定 的最小支 能够发现用 户潜 在的但 自己尚未发现的兴 持度 与置 信度 ，则我们把该 规则作为强关 趣 偏 好 ； ３ ） 协 同过滤 算法 能够利用相似 用户 的 联规则。 集合库 中挖掘 关联规则 的实施步骤如 反馈 内容，提高个性化推 荐的学习能力 。 下所 示 ： 虽然协同过滤算法是 一种 具有代表性 的推 １ ） 生成所 有的频繁集 ，频繁集定义为 荐 算 法 ，但 是 协 同过 滤仍 面 临较 多的 问 所有支持度大 于预 先设定的最小支持度 的 题 ，如精 确 性 、稀 疏 性 、冷 启动 、扩 展 项 目集 合 。 性。 ２ ） 从频繁集 中产生 强关联规则 ，必须 ３ ． ４混 合 推 荐 按 照不同的结合方法 ，混合推荐 的集 同时满 足 预 先设 定 的最 小支 持 度 与置 信 度。 成方式有以下几种： 以上步骤中步骤 １ 是关联规则挖掘的关 １ ） 混合集成 ：它 是将 每个推荐算 法的 键 ，若数 据交易库非常庞大 ，则计算复杂 推荐结 果进 行集 合 ，把这些集合 推荐给用 户。 度随之升高。 ２ ） 加权集成 ：它是将每个推 荐算法 的 ３ ． ２基于 内容的推荐 基于 内容 的推荐算法是通 过提取用户 推 荐结果按照权值进行重新 排序 ，把排序 历史交易记录和用 户对 产品评价的特征 ， 结 果推荐给用户 。 对其分析并获取 用户感兴趣产 品的特征作 ３ ） 转换 集成：它是根据 不同推荐环 境 为用户 的购物偏 好，同时对产 品进 行特 征 选择相应 的推荐算法 。 提取与表示 ，通过用户特征偏好与产 品特 ４ ） 瀑 布型集成 ：它 是将 两个推荐 算法 征的匹配程度 ，以实施推荐 … 。 进行整合优化 ，实现一种推荐算法对 另一 基于 内容的推荐算法基本步骤为： 种推荐算法的推荐结果优化。 １ ） 分析用户过 去的浏览或评价记录 ， ５ ） 特 征组合集成 ：它与瀑布 型集 成相 寻求 一种 文档表示方法对其进 行表 示，从 似 ，也是采用某种 推荐算法对混 合推荐结 而生成用户兴趣档案。 果 进 行 过滤 。 ２ ） 对用户 未接 触过的文档特征 进行提 ６ ） 特征增值集成 ：它是将一 种推 荐算 取与表示。 法 的推荐 结果作为另外一个推荐 算法 的输 ３ ） 将用户 兴趣档案与新文档特 征进行 入 。 匹配，将匹配度最高 的文档推荐给 当前用 混合 推 荐 在 实 际 应用 中面 临 很 多 困