推薦系統

推荐系统是一种信息过滤系统，根據用户对物品的“评分”或“偏好”來推送相應內容。[1]

推荐系统应用于各行各业。推荐的对象包括：电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。也有一些推荐系统专门为寻找专家[2]、合作者[3]、笑话、餐厅、美食、金融服务[4]、生命保险、網路交友，以及Twitter页面[5]设计。

综述

推荐系统产生推荐列表的方式通常有两种：协同过滤以及基于内容推荐，或者基于个性化推荐。[6] 协同过滤方法根据用户历史行为（例如其购买的、选择的、评价过的物品等）结合其他用户的相似决策建立模型。这种模型可用于预测用户对哪些物品可能感兴趣（或用户对物品的感兴趣程度）。[7] 基于内容推荐利用一些列有关物品的离散特征，推荐出具有类似性质的相似物品。[8]两种方法经常互相结合（参考混合推荐系统）

协同过滤和基于内容推荐的区别可以比较两个流行的音乐推荐系统 --- Last.fm 和 Pandora Radio.

  • Last.fm 建立通过观察用户日常收听的乐队或歌手，并与其它用户的行为进行比对，建立一个“电台”，以此推荐歌曲。Last.fm 会播放不在用户曲库中，但其他相似用户经常会播放的其它音乐。鉴于这种方式利用了用户行为，因此可以认为它是协同过滤技术的一种应用范例。
  • Pandora 使用歌曲或者艺人的属性（由音乐流派项目提供的400个属性的子集）从而生成一个电台，其中的乐曲都有相似的属性。用户的反馈用于精化电台中的内容。在用户“不喜欢”某一歌曲时，弱化某一些属性；在用户喜欢某一歌曲时，强化另一些属性。这是一种基于内容推荐的方式。

每一种系统都有其长处与弱点。在上面的例子中，为了提供精准推荐，Last.fm 需要大量用户信息。这是一个冷启动问题，在协同过滤系统中是常见的问题[9][10][11][12]。而 Pandora 启动时则仅需要很少信息，然而这种方法的局限性很大（例如，这类方法只能得出与原始种子相似的推荐）。

推荐系统是一种有效代替搜索算法的方式，因为他们帮助用户找到一些他们自己没有办法找到的物品。有趣的是，推荐系统在实现之时通常使用搜索引擎对非传统数据索引。

Montaner 从智能代理角度给出了有关推荐系统的第一篇综述文章[13]。Adomavicius给出了一种新的有关推荐系统的全景[14]。Herlock提供了有关评价推荐系统的技术综述[15]。Beel等讨论了离线评价中的问题[16]。Beel等同事也提供了现有有关推荐系统的研究文献与现存挑战[17][18][19]。

参考

  1. ^ Facebook, Pandora Lead Rise of Recommendation Engines - TIME. TIME.com. 27 May 2010 [1 June 2015]. （原始内容存档于2013-08-17）. 
  2. ^ H. Chen, A. G. Ororbia II, C. L. Giles ExpertSeer: a Keyphrase Based Expert Recommender for Digital Libraries （页面存档备份，存于互联网档案馆）, in arXiv preprint 2015
  3. ^ H. Chen, L. Gou, X. Zhang, C. Giles Collabseer: a search engine for collaboration discovery （页面存档备份，存于互联网档案馆）, in ACM/IEEE Joint Conference on Digital Libraries (JCDL) 2011
  4. ^ Alexander Felfernig, Klaus Isak, Kalman Szabo, Peter Zachar, The VITA Financial Services Sales Support Environment （页面存档备份，存于互联网档案馆）, in AAAI/IAAI 2007, pp. 1692-1699, Vancouver, Canada, 2007.
  5. ^ Pankaj Gupta, Ashish Goel, Jimmy Lin, Aneesh Sharma, Dong Wang, and Reza Bosagh Zadeh WTF:The who-to-follow system at Twitter （页面存档备份，存于互联网档案馆）, Proceedings of the 22nd international conference on World Wide Web
  6. ^ Hosein Jafarkarimi; A.T.H. Sim and R. Saadatdoost A Naïve Recommendation Model for Large Databases （页面存档备份，存于互联网档案馆）, International Journal of Information and Education Technology, June 2012
  7. ^ Prem Melville and Vikas Sindhwani, Recommender Systems （页面存档备份，存于互联网档案馆）, Encyclopedia of Machine Learning, 2010.
  8. ^ R. J. Mooney & L. Roy. Content-based book recommendation using learning for text categorization. In Workshop Recom. Sys.: Algo. and Evaluation. 1999. 
  9. ^ Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain. Active Learning in Recommender Systems. Ricci, Francesco; Rokach, Lior; Shapira, Bracha (编). Recommender Systems Handbook 2. Springer US. 2016 [2016-12-01]. ISBN 978-1-4899-7637-6. （原始内容存档于2021-03-08）. 
  10. ^ Elahi, Mehdi; Ricci, Francesco; Rubens, Neil. A survey of active learning in collaborative filtering recommender systems. Computer Science Review, 2016, Elsevier. [2016-12-01]. （原始内容存档于2021-03-08）. 
  11. ^ Andrew I. Schein, Alexandrin Popescul, Lyle H. Ungar, David M. Pennock. Methods and Metrics for Cold-Start Recommendations. Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2002). New York City, New York: ACM: 253–260. 2002 [2008-02-02]. ISBN 1-58113-561-0. （原始内容存档于2008-02-07）. 
  12. ^ Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong. A group-specific recommender system.. Journal of the American Statistical Association. 2017, 112 (519): 1344–1353 [2020-10-07]. （原始内容存档于2021-04-14）. 
  13. ^ Montaner, M.; Lopez, B.; de la Rosa, J. L. A Taxonomy of Recommender Agents on the Internet. Artificial Intelligence Review. June 2003, 19 (4): 285–330. doi:10.1023/A:1022850703159. [永久失效連結].
  14. ^ Adomavicius, G.; Tuzhilin, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Transactions on Knowledge and Data Engineering. June 2005, 17 (6): 734–749. doi:10.1109/TKDE.2005.99. .
  15. ^ Herlocker, J. L.; Konstan, J. A.; Terveen, L. G.; Riedl, J. T. Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst. January 2004, 22 (1): 5–53. doi:10.1145/963770.963772. .
  16. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B. A Comparative Analysis of Offline and Online Evaluations and Discussion of Research Paper Recommender System Evaluation (PDF). Proceedings of the Workshop on Reproducibility and Replication in Recommender Systems Evaluation (RepSys) at the ACM Recommender System Conference (RecSys). October 2013 [2016-12-01]. （原始内容 (PDF)存档于2016-04-17）. 
  17. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B.; Breitinger, C. Research Paper Recommender System Evaluation: A Quantitative Literature Survey (PDF). Proceedings of the Workshop on Reproducibility and Replication in Recommender Systems Evaluation (RepSys) at the ACM Recommender System Conference (RecSys). October 2013 [2016-12-01]. （原始内容存档 (PDF)于2021-02-24）. 
  18. ^ Beel, J.; Gipp, B.; Langer, S.; Breitinger, C. Research Paper Recommender Systems: A Literature Survey. International Journal on Digital Libraries. 26 July 2015: 1–34 [2016-12-01]. doi:10.1007/s00799-015-0156-0. （原始内容存档于2021-03-07）. 
  19. ^ Waila, P.; Singh, V.; Singh, M. A Scientometric Analysis of Research in Recommender Systems (PDF). Journal of Scientometric Research. 26 April 2016: 71–84 [2016-12-01]. doi:10.5530/jscires.5.1.10. （原始内容存档 (PDF)于2021-03-09）. 

外部链接