我：想知道一門技術(shù)需要什么技能，讀論文就能總結(jié)出來

?你們：收藏=學(xué)會 收藏夾吃灰去吧！

一周一度的推薦論文來了！先看一下本次推薦系統(tǒng)綜述分類目錄：

?

美學(xué)，個性化，時尚

深度學(xué)習(xí)

隨機游走、圖神經(jīng)網(wǎng)絡(luò)、知識圖譜

side information

冷啟動

強化學(xué)習(xí)

遷移學(xué)習(xí)、預(yù)訓(xùn)練

bias、debias

細分領(lǐng)域推薦系統(tǒng)

1.對話推薦系統(tǒng) 2.paper推薦系統(tǒng) 3.新聞推薦系統(tǒng) 4.IOT推薦系統(tǒng) 5.旅游推薦系統(tǒng) 6.音樂推薦系統(tǒng) 7.社區(qū)中的專家推薦 8.食物推薦系統(tǒng)

?

隱私

可信任（包括對抗推薦系統(tǒng)）

可解釋性

分布式、并行

社交網(wǎng)絡(luò)

其他

詳細介紹：

美學(xué)，個性化，時尚

?

Aesthetics, Personalization and Recommendation: A survey on Deep Learning in Fashion

?

作者：Wei Gong, Laila Khalid

?

簡介：

使用深度學(xué)習(xí)技術(shù)并將其與計算機視覺技術(shù)相結(jié)合，您可以通過利用受腦啟發(fā)的深度網(wǎng)絡(luò)、參與神經(jīng)美學(xué)、使用 GAN 并訓(xùn)練它們、使用非結(jié)構(gòu)化數(shù)據(jù)以及注入 Transformer 架構(gòu)來實現(xiàn)這一點?？梢杂|及時尚領(lǐng)域。這完全是關(guān)于設(shè)計一個系統(tǒng)，該系統(tǒng)可以告訴我們有關(guān)時尚方面的信息，可以在不斷增長的需求中派上用場。個性化是影響客戶支出選擇的一個重要因素。該調(diào)查還展示了一些非凡的方法，這些方法深入探討了如何將視覺數(shù)據(jù)解釋并利用到不同的模型和方法中，從而侵犯了實現(xiàn)這一目標的主題。審美在服裝推薦中起著至關(guān)重要的作用，因為用戶的決定很大程度上取決于服裝是否符合他們的審美，而傳統(tǒng)的圖像特征不能直接描述這一點。為此，該調(diào)查還重點介紹了張量分解模型、條件隨機場模型等卓越模型，以滿足將美學(xué)視為服裝推薦中重要因素的需求。

?

論文：https://arxiv.org/pdf/2101.08301.pdf

?

?

A Survey on Personality-Aware Recommendation Systems

?

作者：Sahraoui Dhelim, Nyothiri Aung, Mohammed Amine Bouras, Huansheng Ning, Erik Cambria

?

簡介：

?

個性計算作為與人工智能和個性心理學(xué)相關(guān)的新研究領(lǐng)域的出現(xiàn)，個性感知推薦系統(tǒng)有了空前普及。與傳統(tǒng)的推薦系統(tǒng)不同，這些新系統(tǒng)解決了冷啟動和數(shù)據(jù)稀疏問題等傳統(tǒng)問題。本次調(diào)查旨在研究和系統(tǒng)地對個性感知推薦系統(tǒng)進行分類。這項調(diào)查是第一個關(guān)注個性感知推薦系統(tǒng)的調(diào)查。通過比較個性建模方法和推薦技術(shù)，探索個性感知推薦系統(tǒng)的不同設(shè)計選擇。

論文：https://arxiv.org/pdf/2101.12153.pdf

?

A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations

?

作者：Md. Ashraful Islam, Mir Mahathir Mohammad, Sarkar Snigdha Sarathi Das, Mohammed Eunus Ali

?

簡介：

?

基于位置的社交網(wǎng)絡(luò) (LBSN) 使用戶能夠通過分享他們的簽到、意見、照片和評論來與朋友和熟人進行社交。LBSN 產(chǎn)生的大量數(shù)據(jù)開辟了一條新的研究途徑，催生了推薦系統(tǒng)的一個新子領(lǐng)域，即興趣點 (POI) 推薦。

?

POI 推薦技術(shù)本質(zhì)上是利用用戶的歷史簽到和其他多模態(tài)信息（如 POI 屬性和友誼網(wǎng)絡(luò)）來推薦下一組適合用戶的 POI。大量早期工作通過使用數(shù)據(jù)集中的手工制作特征專注于傳統(tǒng)機器學(xué)習(xí)技術(shù)。隨著最近深度學(xué)習(xí)研究的激增，有了大量利用不同深度學(xué)習(xí)范式的 POI 推薦作品。

?

這些技術(shù)在問題表述、提議的技術(shù)、使用的數(shù)據(jù)集和特征等方面差異很大。據(jù)我們所知，這項工作是對所有主要基于深度學(xué)習(xí)的 POI 推薦工作的首次全面調(diào)查。我們的工作基于不同的深度學(xué)習(xí)范式和其他相關(guān)特征，對最近的 POI 推薦作品進行了分類和批判性分析。

?

論文：https://arxiv.org/pdf/2011.10187.pdf

?

?

A Survey of Point-of-interest Recommendation in Location-based Social Networks

?

作者：Shenglin Zhao, Irwin King, Michael R. Lyu

?

簡介：

?

隨著基于位置的社交網(wǎng)絡(luò) (LBSN) 的流行，為用戶推薦新地點的興趣點 (POI) 推薦出現(xiàn)了。由于LBSN中POI推薦的重要性，它引起了學(xué)術(shù)界和工業(yè)界的極大興趣。在本文中，我們對該領(lǐng)域進行了系統(tǒng)回顧，總結(jié)了個人努力的貢獻并探討了它們之間的關(guān)系。與傳統(tǒng)推薦問題（例如電影推薦）相比，我們討論了POI推薦中的新屬性和挑戰(zhàn)。

?

然后，我們從三個方面進行了全面回顧：POI推薦的影響因素、POI推薦所采用的方法以及POI推薦中的不同任務(wù)。

?

具體來說，我們提出了三個分類法來對POI推薦系統(tǒng)進行分類。

?

第一，我們根據(jù)影響因素簽到特征對系統(tǒng)進行分類，包括地理信息、社會關(guān)系、時間影響和內(nèi)容指示。

?

其次，我們按方法對系統(tǒng)進行分類，包括通過融合方法和聯(lián)合方法建模的系統(tǒng)。

?

第三，我們根據(jù)推薦任務(wù)中的細微差別是否偏向于最近簽到，將系統(tǒng)分為一般POI推薦和連續(xù)POI推薦。對于每個類別，我們總結(jié)了貢獻和系統(tǒng)特性，并突出了代表性工作。

?

此外，我們討論了可用的數(shù)據(jù)集和流行的指標。

?

最后，我們指出了該領(lǐng)域未來可能的發(fā)展方向并總結(jié)了本次調(diào)查。

?

論文：https://arxiv.org/pdf/1607.00647.pdf

?

深度學(xué)習(xí)

?

Deep Learning based Recommender System: A Survey and New Perspectives

?

作者：Shuai Zhang, Lina Yao, Aixin Sun, Yi Tay

?

簡介：

?

隨著在線信息量的不斷增長，推薦系統(tǒng)已成為克服這種信息過載的有效策略。鑒于推薦系統(tǒng)在許多Web應(yīng)用程序中的廣泛采用，以及它對改善與過度選擇相關(guān)的許多問題的潛在影響，推薦系統(tǒng)的效用怎么強調(diào)都不為過。

?

近年來，深度學(xué)習(xí)在計算機視覺和自然語言處理等許多研究領(lǐng)域引起了相當大的興趣，這不僅是由于其出色的性能，還在于從頭開始學(xué)習(xí)特征表示的吸引力。深度學(xué)習(xí)的影響也很普遍，最近證明了它在應(yīng)用于信息檢索和推薦系統(tǒng)研究時的有效性。

?

顯然，推薦系統(tǒng)中的深度學(xué)習(xí)領(lǐng)域正在蓬勃發(fā)展。本文旨在全面回顧基于深度學(xué)習(xí)的推薦系統(tǒng)的最新研究成果。更具體地說，我們提供并設(shè)計了基于深度學(xué)習(xí)的推薦模型的分類，同時提供了對最新技術(shù)的全面總結(jié)。最后，我們擴展了當前的趨勢，并提供了有關(guān)該領(lǐng)域這一令人興奮的新發(fā)展的新觀點。

?

論文：https://arxiv.org/pdf/1707.07435.pdf

?

?

Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations

?

作者：Hui Fang, Danning Zhang, Yiheng Shu, Guibing Guo

?

簡介：

?

在序列推薦領(lǐng)域，基于深度學(xué)習(xí)（DL）的方法在過去幾年受到了很多關(guān)注，并超越了基于馬爾可夫鏈和基于分解的傳統(tǒng)模型。然而，關(guān)于基于DL的方法的系統(tǒng)研究很少，特別是關(guān)于如何設(shè)計有效的DL模型進行順序推薦。

?

從這個角度來看，本次調(diào)查通過考慮上述問題，重點關(guān)注基于DL的順序推薦系統(tǒng)。具體來說，我們闡述了順序推薦的概念，根據(jù)三種行為序列對現(xiàn)有算法進行了分類，總結(jié)了影響基于深度學(xué)習(xí)的模型性能的關(guān)鍵因素，并進行了相應(yīng)的評估以證明這些因素的影響。

?

論文：https://arxiv.org/pdf/1905.01997.pdf

?

?

隨機游走、圖神經(jīng)網(wǎng)絡(luò)、知識圖譜

?

Recommender Systems with Random Walks: A Survey

?

作者：Laknath Semage

?

簡介：

推薦引擎已成為當今電子商務(wù)系統(tǒng)中不可或缺的組成部分。

?

通常，推薦系統(tǒng)可以分為兩大類：基于內(nèi)容的模型和基于協(xié)同過濾的模型。這兩種模型都在用戶和項目之間建立關(guān)系以提供推薦。

?

基于內(nèi)容的系統(tǒng)通過利用從可用上下文中提取的特征來完成此任務(wù)，而協(xié)作系統(tǒng)則使用用戶-項目子集之間的共享興趣。

?

還有另一種相對未開發(fā)的方法來提供建議，該方法利用名為隨機游走的隨機過程。這項研究是一項調(diào)查，探索推薦系統(tǒng)中隨機游走的用例，并嘗試對它們進行分類。

?

論文:https://arxiv.org/pdf/1711.04101.pdf

?

Graph Neural Networks in Recommender Systems: A Survey

作者：Shiwen Wu, Fei Sun, Wentao Zhang, Bin Cui

?

簡介：

?

由于GNN在學(xué)習(xí)圖數(shù)據(jù)方面的優(yōu)勢及其在捕獲協(xié)作信號和序列模式方面的功效，在推薦系統(tǒng)中使用GNN技術(shù)在學(xué)術(shù)界和工業(yè)界越來越受到關(guān)注。在本次調(diào)查中，我們?nèi)婊仡櫫嘶贕NN的推薦系統(tǒng)的最新工作。

?

我們提出了一種用于組織現(xiàn)有作品的分類方案。對于每個類別，我們簡要闡明主要問題，并詳細說明代表性模型所采用的相應(yīng)策略。我們還討論了現(xiàn)有策略的優(yōu)點和局限性。

?

此外，我們?yōu)槲磥淼难芯刻岢隽藥讉€有希望的方向。我們希望本次調(diào)查能讓讀者對該領(lǐng)域的最新進展有一個大致的了解，并對未來的發(fā)展有所了解。

?

論文：https://arxiv.org/pdf/2011.02260.pdf

Graph Learning Approaches to Recommender Systems: A Review

?

作者：Shoujin Wang, Liang Hu, Yan Wang, Xiangnan He, Quan Z. Sheng, Mehmet Orgun, Longbing Cao, Nan Wang, Francesco Ricci, Philip S. Yu

?

簡介：

?

近年來見證了基于圖學(xué)習(xí)的推薦系統(tǒng)（GLRS）這一新興話題的快速發(fā)展。GLRS 主要采用先進的圖學(xué)習(xí)方法為推薦系統(tǒng) (RS) 對用戶的偏好和意圖以及項目的特征和受歡迎程度進行建模。

?

隨著圖學(xué)習(xí)的快速發(fā)展，探索和利用圖中的同構(gòu)或異構(gòu)關(guān)系是構(gòu)建高級RS的一個很有前途的方向。在本文中，我們對GLRS進行了系統(tǒng)回顧，介紹了它們?nèi)绾螐膱D形中獲取知識以提高準確性，建議的可靠性和可解釋性。

?

首先，我們對GLRS進行表征和形式化，然后總結(jié)和分類這一新研究領(lǐng)域的主要挑戰(zhàn)。然后，我們調(diào)查了該地區(qū)最近和重要的發(fā)展。最后，我們分享了這個充滿活力的領(lǐng)域的一些新研究方向。

?

論文：https://arxiv.org/ftp/arxiv/papers/2004/2004.11718.pdf

?

?

A Survey on Knowledge Graph-Based Recommender Systems

?

作者：Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, Hui Xiong, Qing He

?

簡介：

?

為了解決信息爆炸問題并增強各種在線應(yīng)用程序中的用戶體驗，已經(jīng)開發(fā)了推薦系統(tǒng)來對用戶偏好進行建模。盡管已經(jīng)為更個性化的推薦做出了許多努力，但推薦系統(tǒng)仍然面臨一些挑戰(zhàn)，例如數(shù)據(jù)稀疏性和冷啟動。

?

近年來，使用知識圖作為輔助信息生成推薦引起了相當大的興趣。這種方法不僅可以緩解上述問題以獲得更準確的推薦，還可以為推薦項目提供解釋。

?

在本文中，我們對基于知識圖譜的推薦系統(tǒng)進行了系統(tǒng)的調(diào)查。我們收集了該領(lǐng)域最近發(fā)表的論文，并從兩個角度進行了總結(jié)。一方面，我們通過關(guān)注論文如何利用知識圖來進行準確和可解釋的推薦來研究所提出的算法。另一方面，我們介紹了這些作品中使用的數(shù)據(jù)集。最后，我們提出了該領(lǐng)域的幾個潛在研究方向。

?

論文：https://arxiv.org/pdf/2003.00911.pdf

?

Deep Learning on Knowledge Graph for Recommender System: A Survey

?

作者：Yang Gao, Yi-Fan Li, Yu Lin, Hang Gao, Latifur Khan

?

簡介：

?

最近的研究進展證明了知識圖譜 (KG) 在提供有價值的外部知識以改進推薦系統(tǒng) (RS) 方面的有效性。知識圖譜能夠編碼連接具有一個或多個相關(guān)屬性的兩個對象的高階關(guān)系。在新興的圖神經(jīng)網(wǎng)絡(luò) (GNN) 的幫助下，可以從KG中提取對象特征和關(guān)系，這是成功推薦的重要因素。在本文中，我們對基于GNN的知識感知深度推薦系統(tǒng)進行了全面調(diào)查。

?

論文：https://arxiv.org/pdf/2004.00387.pdf

?

side information

?

Research Commentary on Recommendations with Side Information: A Survey and Research Directions

?

作者：Zhu Sun, Qing Guo, Jie Yang, Hui Fang, Guibing Guo, Jie Zhang, Robin Burke

?

近幾十年來，推薦系統(tǒng)已成為幫助解決信息過載問題的重要工具。然而，傳統(tǒng)的推薦系統(tǒng)存在數(shù)據(jù)稀疏和冷啟動問題。為了解決這些問題，已經(jīng)提出了大量推薦算法來利用用戶或項目（例如，社交網(wǎng)絡(luò)和項目類別）的輔助信息，在提高推薦性能方面表現(xiàn)出高度的有效性。本研究評論旨在對最近關(guān)于具有輔助信息的推薦系統(tǒng)的研究進行全面系統(tǒng)的調(diào)查。

?

論文：https://arxiv.org/pdf/1909.12807.pdf

?

?

冷啟動

?

Deep Learning to Address Candidate Generation and Cold Start Challenges in Recommender Systems: A Research Survey

?

作者：Kiran Rama, Pradeep Kumar, Bharat Bhasker

?

簡介：

?

在商業(yè)機器學(xué)習(xí)應(yīng)用中，推薦系統(tǒng)在成功和采用方面將占據(jù)首位。它們幫助用戶加快搜索過程，同時幫助企業(yè)實現(xiàn)銷售額最大化。在計算機視覺和語音識別領(lǐng)域取得巨大成功后，深度學(xué)習(xí)方法開始應(yīng)用于推薦系統(tǒng)。當前關(guān)于推薦系統(tǒng)深度學(xué)習(xí)的調(diào)查論文提供了基于類型的推薦系統(tǒng)的歷史概述和分類。

?

我們的論文解決了提供深度學(xué)習(xí)方法分類的差距，以解決推薦系統(tǒng)中冷啟動和候選生成領(lǐng)域的推薦系統(tǒng)問題。

?

論文：https://arxiv.org/ftp/arxiv/papers/1907/1907.08674.pdf

?

強化學(xué)習(xí)

?

基于強化學(xué)習(xí)的推薦系統(tǒng)：一項調(diào)查

?

作者：M. Mehdi Afsar, Trafford Crump, Behrouz Far

?

簡介：

?

推薦系統(tǒng) (RS) 正在成為我們?nèi)粘Ｉ钪胁豢煞指畹囊徊糠帧Ｋ鼈儙椭覀冋业轿覀冏钕矚g購買的商品、我們在社交網(wǎng)絡(luò)上的朋友以及我們最喜歡看的電影。傳統(tǒng)上，推薦問題被認為是一個簡單的分類或預(yù)測問題；然而，推薦問題的順序性已經(jīng)被證明。

?

因此，它可以被表述為馬爾可夫決策過程 (MDP)，并且可以采用強化學(xué)習(xí) (RL)方法來解決它。事實上，將深度學(xué)習(xí)與傳統(tǒng) RL 方法相結(jié)合的最新進展，即深度強化學(xué)習(xí) (DRL)，使得將 RL 應(yīng)用于具有大量狀態(tài)和動作空間的推薦問題成為可能。

?

在本文中，介紹了基于強化學(xué)習(xí)的推薦系統(tǒng)（RLRS）的調(diào)查。

?

論文：https://arxiv.org/pdf/2101.06286.pdf

?

?

遷移學(xué)習(xí)、預(yù)訓(xùn)練

?

Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect

?

作者：Zheni Zeng, Chaojun Xiao, yuan Yao, Ruobing Xie, Zhiyuan Liu, Fen Lin, Leyu Lin, Maosong Sun

?

簡介：

?

推薦系統(tǒng)旨在為用戶提供物品推薦，在現(xiàn)實場景中通常面臨數(shù)據(jù)稀疏問題（例如，冷啟動）。最近，預(yù)訓(xùn)練模型在域和任務(wù)之間的知識轉(zhuǎn)移方面顯示了它們的有效性，這可能會緩解推薦系統(tǒng)中的數(shù)據(jù)稀疏問題。在本次調(diào)查中，我們首先回顧了具有預(yù)訓(xùn)練的推薦系統(tǒng)。此外，我們通過實驗展示了對推薦系統(tǒng)進行預(yù)訓(xùn)練的好處。最后，我們討論了具有預(yù)訓(xùn)練的推薦系統(tǒng)未來研究的幾個有前途的方向。

?

論文：https://arxiv.org/pdf/2009.09226.pdf

?

bias、debias

Bias and Debias in Recommender System: A Survey and Future Directions

作者：Jiawei Chen, Hande Dong, Xiang Wang, Fuli Feng, Meng Wang, Xiangnan He

?

簡介：

在審查考慮RS中的偏見的論文時，我們發(fā)現(xiàn)，令我們驚訝的是，這些研究相當分散，缺乏系統(tǒng)的組織。術(shù)語“偏見”在文獻中被廣泛使用，但其定義通常含糊不清，甚至跨論文不一致。這促使我們對現(xiàn)有的RS偏差工作進行系統(tǒng)調(diào)查。

?

在本文中，我們首先總結(jié)了推薦中的七種偏見，以及它們的定義和特征。然后，我們提供了一個分類法來定位和組織關(guān)于推薦去偏差的現(xiàn)有工作。最后，我們確定了一些開放的挑戰(zhàn)并設(shè)想了一些未來的方向，希望能激發(fā)更多關(guān)于這個重要但研究較少的主題的研究工作。

?

論文：https://arxiv.org/pdf/2010.03240.pdf

?

細分領(lǐng)域推薦系統(tǒng)

?

1.對話推薦系統(tǒng)

Advances and Challenges in Conversational Recommender Systems: A Survey

?

作者：Chongming Gao, Wenqiang Lei, Xiangnan He, Maarten de Rijke, Tat-Seng Chua

?

簡介：

?

已經(jīng)在開發(fā) CRS 方面投入了相當大的努力，分布在不同的環(huán)境和應(yīng)用程序中。現(xiàn)有的 CRS 模型、技術(shù)和評估方法還遠未成熟。在本文中，我們對當前 CRS 中使用的技術(shù)進行了系統(tǒng)回顧。

?

我們從五個方向總結(jié)了開發(fā) CRS 的主要挑戰(zhàn)：（1）基于問題的用戶偏好獲取。(2)多輪對話推薦策略。(3)對話理解與生成。(4) 開發(fā)-勘探權(quán)衡。(5) 評價和用戶模擬。這些研究方向涉及信息檢索（IR）、自然語言處理（NLP）、人機交互（HCI）等多個研究領(lǐng)域。基于這些研究方向，我們討論了一些未來的挑戰(zhàn)和機遇。

?

論文：https://arxiv.org/pdf/2101.09459.pdf

??

A Survey on Conversational Recommender Systems

?

作者：Dietmar Jannach, Ahtsham Manzoor, Wanling Cai, Li Chen

?

簡介：

?

對話式推薦系統(tǒng) (CRS) 采用不同的方法并支持更豐富的交互集。過去幾年，人們對 CRS 的興趣顯著增加。這一發(fā)展主要歸功于自然語言處理領(lǐng)域的重大進展，新的語音控制家庭助理的出現(xiàn)，以及聊天機器人技術(shù)的使用增加。

?

在本文中，我們對現(xiàn)有的對話式推薦方法進行了詳細調(diào)查。我們在不同的維度對這些方法進行分類，例如，根據(jù)支持的用戶意圖或他們在后臺使用的知識。此外，我們討論了技術(shù)方法，回顧了CRS的評估方式，并最終確定了一些值得在未來進行更多研究的差距。

?

論文：https://arxiv.org/pdf/2004.00646.pdf

?

2.paper推薦系統(tǒng)

?

Scientific Paper Recommendation: A Survey

?

作者：Xiaomei Bai, Mengyang Wang, Ivan Lee, Zhuo Yang, Xiangjie Kong, Feng Xia

?

簡介

?

推薦服務(wù)變得很重要，因為它們支持電子商務(wù)應(yīng)用程序和不同的研究社區(qū)。推薦系統(tǒng)在包括經(jīng)濟、教育和科學(xué)研究在內(nèi)的許多領(lǐng)域都有大量應(yīng)用。不同的實證研究表明，推薦系統(tǒng)在從海量數(shù)據(jù)中提取有用知識方面比基于關(guān)鍵字的搜索引擎更有效、更可靠。

?

在本次調(diào)查中，我們首先介紹論文推薦系統(tǒng)的重要性和優(yōu)勢。其次，我們回顧了推薦算法和方法，例如基于內(nèi)容的方法、協(xié)作過濾方法、基于圖的方法和混合方法。然后，我們介紹了不同推薦系統(tǒng)的評估方法。最后，我們總結(jié)了論文推薦系統(tǒng)中的開放問題，包括冷啟動、稀疏性、可擴展性、隱私、意外發(fā)現(xiàn)和統(tǒng)一的學(xué)術(shù)數(shù)據(jù)標準。

?

論文：https://arxiv.org/pdf/2008.13538.pdf

?

?

Real World Evaluation of Approaches to Research Paper Recommendation

Siddharth Dinesh

作者：

Siddharth Dinesh

?

簡介：

?

在這項工作中，我們確定了為研究論文推薦系統(tǒng)選擇基線方法的必要性。在對過去四年中描述的所有研究論文推薦方法進行文獻調(diào)查之后，我們制定了標準，以形成一套全面的基線。

?

論文：https://arxiv.org/pdf/1802.06892.pdf

?

3.新聞推薦系統(tǒng)

?

A Survey on News Recommender System

?

作者：Shaina Raza, Chen Ding

?

簡介：

?

在本文中，我們重點介紹了新聞推薦系統(tǒng)面臨的主要挑戰(zhàn)。新聞推薦領(lǐng)域，并從最先進的技術(shù)中確定可能的解決方案。

?

由于使用深度學(xué)習(xí)模型構(gòu)建推薦系統(tǒng)的快速增長，我們將討論分為兩部分。在第一部分中，我們概述了 NRS 中使用的傳統(tǒng)推薦解決方案、數(shù)據(jù)集、超出準確性的評估標準和推薦平臺。在第二部分，我們解釋了在 NRS 中應(yīng)用的基于深度學(xué)習(xí)的推薦解決方案。

?

論文：https://arxiv.org/ftp/arxiv/papers/2009/2009.04964.pdf

?

4.IOT推薦系統(tǒng)

?

Recommender Systems for the Internet of Things: A Survey

?

作者：May Altulyan, Lina Yao, Xianzhi Wang, Chaoran Huang, Salil S Kanhere, Quan Z Sheng

?

簡介：

?

推薦代表了開發(fā)和推廣物聯(lián)網(wǎng) (IoT) 優(yōu)勢的重要階段。傳統(tǒng)的推薦系統(tǒng)無法利用不斷增長的、動態(tài)的和異構(gòu)的物聯(lián)網(wǎng)數(shù)據(jù)。

?

本文全面回顧了最先進的推薦系統(tǒng)，以及相關(guān)技術(shù)和在充滿活力的物聯(lián)網(wǎng)領(lǐng)域的應(yīng)用。我們討論了將推薦系統(tǒng)應(yīng)用于物聯(lián)網(wǎng)的幾個局限性，并提出了一個參考框架來比較現(xiàn)有研究以指導(dǎo)未來的研究和實踐。

論文：https://arxiv.org/pdf/2007.06758.pdf

?

5.旅游推薦系統(tǒng)

?

Recommendation Systems for Tourism Based on Social Networks: A Survey

?

作者：Alan Menk, Laura Sebastia, Rebeca Ferreira

?

簡介：

?

推薦系統(tǒng)已經(jīng)出現(xiàn)在許多日?；顒又?，例如在線購物、瀏覽社交網(wǎng)絡(luò)等。 鑒于通過信息技術(shù)重振旅游業(yè)的需求不斷增長，推薦系統(tǒng)已被納入Expedia、Booking或Tripadvisor等旅游網(wǎng)站。

?

本文回顧和分析了許多關(guān)于在項目中使用社交網(wǎng)絡(luò)的旅游推薦系統(tǒng)的研究出版物。我們詳細介紹了它們的主要特征，例如利用了哪些社交網(wǎng)絡(luò)、提取了哪些數(shù)據(jù)、應(yīng)用的推薦技術(shù)、評估方法等。

?

論文：https://arxiv.org/pdf/1903.12099.pdf

?

6.音樂推薦系統(tǒng)

?

Current Challenges and Visions in Music Recommender Systems Research

?

作者：Markus Schedl, Hamed Zamani, Ching-Wei Chen, Yashar Deldjoo, Mehdi Elahi

?

簡介：

今天的 MRS 極大地幫助用戶在這些龐大的目錄中找到有趣的音樂，但 MRS 研究仍然面臨著巨大的挑戰(zhàn)。尤其是在構(gòu)建、合并和評估推薦策略時，這些推薦策略將信息整合到簡單的用戶項目交互或基于內(nèi)容的描述之外，而是深入挖掘聽眾需求、偏好和意圖的本質(zhì)，MRS 研究成為大的努力和相關(guān)的出版物相當稀少。

?

這篇趨勢和調(diào)查文章的目的是雙重的。我們首先從學(xué)術(shù)和行業(yè)的角度確定并闡明我們認為 MRS 研究面臨的最緊迫的挑戰(zhàn)。我們回顧了解決這些挑戰(zhàn)的最新技術(shù)并討論了其局限性。

?

論文：https://arxiv.org/pdf/1710.03208.pdf

?

Machine Learning Approaches to Hybrid Music Recommender Systems

?

作者：Andreu Vall, Gerhard Widmer

?

簡介：

音樂推薦系統(tǒng)已成為支持訪問在線音樂流服務(wù)、在線音樂商店和私人收藏中越來越大的音樂目錄的關(guān)鍵技術(shù)。用戶與大型音樂目錄的交互是一個從不同學(xué)科研究的復(fù)雜現(xiàn)象。

?

我們調(diào)查了研究混合音樂推薦系統(tǒng)（即集成不同推薦技術(shù)的系統(tǒng)）的機器學(xué)習(xí)和數(shù)據(jù)挖掘方面的工作。我們提出了完全基于數(shù)據(jù)的混合音樂推薦系統(tǒng)，并且對新音樂項目的所謂“冷啟動問題”具有魯棒性，有利于發(fā)現(xiàn)相關(guān)但非流行的音樂。

?

論文：https://arxiv.org/pdf/1807.05858.pdf

?

7.社區(qū)中的專家推薦

?

A Survey on Expert Recommendation in Community Question Answering

?

作者：Xianzhi Wang, Chaoran Huang, Lina Yao, Boualem Benatallah, Manqing Dong

?

簡介：

?

社區(qū)問答 (CQA) 表示人們可以通過提問和回答問題來交流知識的 Web 應(yīng)用程序類型。大多數(shù)現(xiàn)實世界的 CQA 系統(tǒng)面臨的一個重大挑戰(zhàn)是問題與潛在的優(yōu)秀回答者之間缺乏有效匹配，這對有效的知識獲取和流通產(chǎn)生不利影響。

?

一方面，請求者可能會在短時間內(nèi)遇到許多低質(zhì)量的答案而沒有收到高質(zhì)量的響應(yīng)，另一方面，回答者可能會面臨許多新問題而無法快速確定他們感興趣的問題。在這種情況下，專家推薦成為解決上述問題的一種很有前途的技術(shù)。

?

在本次調(diào)查中，我們首先概述了 CQA 專家推薦的研究工作和最先進的技術(shù)。我們接下來總結(jié)和比較現(xiàn)有方法的優(yōu)缺點，然后討論未解決的問題和未來的研究方向。

?

論文：https://arxiv.org/pdf/1807.05540.pdf

?

8.食物推薦系統(tǒng)

?

A SURVEY OF FOOD RECOMMENDERS

?

作者：Carl Anderson

?

簡介：

?

許多應(yīng)用程序、服務(wù)和程序圍繞食物開發(fā)了推薦系統(tǒng)。這些包括食物、膳食、食譜和餐廳推薦，這是最常見的用例，但也包括其他領(lǐng)域，例如替代成分、菜單和飲食。后者在健康和保健領(lǐng)域尤為重要，因為用戶有更具體的飲食需求和目標。

?

在本次調(diào)查中，我們回顧了食品推薦文獻。我們根據(jù)系統(tǒng)的目標和推薦內(nèi)容、用于訓(xùn)練模型的數(shù)據(jù)集和信號、使用的技術(shù)方法和模型類型以及一些系統(tǒng)約束來介紹系統(tǒng)類型。

?

論文：https://arxiv.org/pdf/1809.02862.pdf

?

隱私

?

Survey of Privacy-Preserving Collaborative Filtering

作者：Islam Elnabarawy, Wei Jiang, Donald C. Wunsch II

?

簡介：

隱私保護的協(xié)同過濾推薦系統(tǒng)旨在為用戶提供準確的推薦，同時保持對其數(shù)據(jù)隱私的某些保證。本次調(diào)查研究了隱私保護協(xié)同過濾方面的最新文獻。

?

論文：https://arxiv.org/pdf/2003.08343.pdf

?

User’s Privacy in Recommendation Systems Applying Online Social Network Data: A Survey and Taxonomy

?

作者：Erfan Aghasian, Saurabh Garg, James Montgomery

?

簡介：

?

推薦系統(tǒng)已成為許多社交網(wǎng)絡(luò)的組成部分，并從用戶的個人和敏感數(shù)據(jù)中明確地、根據(jù)用戶的知識和隱式地提取知識。這種趨勢造成了重大的隱私問題，因為用戶大多不知道正在使用哪些數(shù)據(jù)、有多少數(shù)據(jù)以及使用的安全性。

?

在這種情況下，已經(jīng)完成了幾項工作來解決在線社交網(wǎng)絡(luò)數(shù)據(jù)和推薦系統(tǒng)中使用的隱私問題。本文調(diào)查了大型在線社交網(wǎng)絡(luò)和推薦系統(tǒng)中使用的主要隱私問題、測量和隱私保護技術(shù)。

?

論文：https://arxiv.org/pdf/1806.07629.pdf

?

?

可信任（包括對抗推薦系統(tǒng)）

?

SURVEY FOR TRUST-AWARE RECOMMENDER SYSTEMS: A DEEP LEARNING PERSPECTIVE

?

作者：Manqing Dong, Feng yuan, Lina Yao, Xianzhi Wang, Xiwei Xu, Liming Zhu

?

簡介：

本次調(diào)查系統(tǒng)總結(jié)了三類信任感知推薦系統(tǒng)：利用用戶社交關(guān)系的社交感知推薦系統(tǒng)；強大的推薦系統(tǒng)，可以過濾不真實的噪音（例如垃圾郵件發(fā)送者和虛假信息）或增強抗攻擊性；可解釋的推薦系統(tǒng)，提供推薦項目的解釋。我們專注于基于深度學(xué)習(xí)技術(shù)的工作，這是推薦研究中的一個新興領(lǐng)域。

?

論文：https://arxiv.org/pdf/2004.03774.pdf

?

A survey on Adversarial Recommender Systems: from Attack/Defense strategies to Generative Adversarial Networks

?

作者：Yashar Deldjoo, Tommaso Di Noia, Felice Antonio Merra

?

簡介：

?

本次調(diào)查的目標有兩個：（i）展示對抗性機器學(xué)習(xí)（AML）在RS安全（即攻擊和防御推薦模型）方面的最新進展，(ii)展示AML的另一個成功應(yīng)用生成對抗網(wǎng)絡(luò)(GAN)用于生成應(yīng)用，這要歸功于它們學(xué)習(xí)（高維）數(shù)據(jù)分布的能力。在本次調(diào)查中，我們對在主要RS和ML期刊和會議上發(fā)表的74篇文章進行了詳盡的文獻綜述。這篇評論可作為RS社區(qū)的參考，致力于RS的安全性或使用GAN提高其質(zhì)量的生成模型。

?

論文：https://arxiv.org/pdf/2005.10322.pdf

?

可解釋性

?

Explainable Recommendation: A Survey and New Perspectives

?

作者：Yongfeng Zhang, Xu Chen

?

簡介：

?

在本次調(diào)查中，我們對可解釋推薦研究進行了全面審查。我們首先通過將推薦問題分類為 5W，即什么、何時、誰、何地和為什么，來突出可解釋推薦在推薦系統(tǒng)研究中的地位。然后，我們從三個角度對可解釋推薦進行了全面調(diào)查：

?

1）我們提供了可解釋推薦的時間順序研究時間表。2）我們提供了一個二維分類法來對現(xiàn)有的可解釋推薦研究進行分類。3）我們總結(jié)了可解釋推薦如何應(yīng)用于不同的推薦任務(wù)。我們還專門用一章來討論更廣泛的IR和AI/ML研究中的解釋觀點。

?

論文：https://arxiv.org/ftp/arxiv/papers/1804/1804.11192.pdf

?

分布式、并行

?

Parallel and Distributed Collaborative Filtering: A Survey

?

作者：Efthalia Karydi, Konstantinos G. Margaritis

?

簡介：

?

在實現(xiàn)推薦系統(tǒng)時，協(xié)同過濾是最受青睞的技術(shù)之一。最近，人們對協(xié)同過濾算法的并行和分布式實現(xiàn)產(chǎn)生了極大的興趣。這項工作是對并行和分布式協(xié)同過濾實現(xiàn)的調(diào)查，旨在不僅提供對該領(lǐng)域發(fā)展的全面介紹，而且還通過突出需要進一步發(fā)展的問題來提供未來的研究方向。

?

論文：https://arxiv.org/pdf/1409.2762.pdf

?

社交網(wǎng)絡(luò)

Systems Applications of Social Networks

?

作者：Changtao Zhong, Nishanth Sastry

?

簡介：

?

本文的目的是提供對社交網(wǎng)絡(luò)的理解，作為系統(tǒng)設(shè)計人員使用的標準技術(shù)工具箱的有用補充。為此，我們舉例說明如何在不同的應(yīng)用程序上下文中收集和使用有關(guān)社交鏈接的數(shù)據(jù)。

?

我們對社交網(wǎng)絡(luò)的常見屬性進行了廣泛的基于分類的概述，回顧了它們在不同應(yīng)用程序中的使用方式，并在適當?shù)牡胤街赋隽藵撛诘南葳濉?/p>

?

論文：https://arxiv.org/pdf/1707.05104.pdf

?

其他

A Survey on Session-based Recommender Systems

作者：Shoujin Wang, Longbing Cao, Yan Wang, Quan Z. Sheng, Mehmet Orgun, Defu Lian

?

簡介：

?

SBRS 的全面審查通過深入探索 SBRS 實體（例如，會話）、行為（例如，用戶對項目的點擊）及其屬性（例如，會話長度）來解決上述方面。我們提出了SBRS的一般問題陳述，總結(jié)了SBRS的多樣化數(shù)據(jù)特征和挑戰(zhàn)，并定義了一個分類法來對具有代表性的SBRS研究進行分類。最后，我們討論了這個令人興奮和充滿活力的領(lǐng)域的新研究機會，會話長度）。

?

論文：https://arxiv.org/pdf/1902.04864.pdf

?

Digital Nudging with Recommender Systems: Survey and Future Directions

?

作者：Mathias Jesse, Dietmar Jannach

?

簡介：

?

通過系統(tǒng)的文獻搜索，我們首先確定了87種輕推機制，我們將其歸類為一個新的分類法。隨后的分析表明，之前在推薦系統(tǒng)的背景下只研究了這些輕推機制的一小部分。這表明開發(fā)未來的推薦系統(tǒng)具有巨大的潛力，這些系統(tǒng)利用數(shù)字輕推的力量來影響用戶的決策。因此，在這項工作中，我們概述了將微調(diào)機制集成到推薦系統(tǒng)中的潛在方法。

?

論文：https://arxiv.org/pdf/2011.03413.pdf

?

Simple Surveys: Response Retrieval Inspired by Recommendation Systems

?

作者：Nandana Sengupta, Nati Srebro, James Evans

?

簡介：

?

本文介紹了社會科學(xué)應(yīng)用的簡單調(diào)查。我們進行了實驗，使用四種類型的簡單調(diào)查來比較個人和綜合比較評估的預(yù)測準確性：在三個不同背景下的2、5和連續(xù)點量表上的成對比較和評級：谷歌街景圖像的感知安全性，藝術(shù)品的可愛程度和動物GIF的歡鬧程度。在各種情況下，我們發(fā)現(xiàn)連續(xù)量表評分最能預(yù)測個人評估，但消耗最多的時間和認知努力。

?

論文：https://arxiv.org/ftp/arxiv/papers/1901/1901.09659.pdf

?

?本文部分內(nèi)容借鑒自：https://zhuanlan.zhihu.com/p/350759028

如有錯漏歡迎指正！

關(guān)注學(xué)姐，幫你分類總結(jié)更多的論文！省力省時間！