电子商务推荐系统主要推荐技术研究

推荐系统作为解决信息超载问题的有效工具,受到国内外研究者的广泛关注。本文简要描述了推荐系统的定义以及作用,重点介绍了基于规则的推荐、基于内容的推荐和协同过滤推荐这三种算法,分析了每种算法的优缺点,并描述了混合推荐技术的基本思路。文中列出了几种评价推荐系统性能的重要指标。     

推荐系统公平性评价方法：现状与展望

随着推荐系统的广泛应用,它正在对社会产生越来越大的影响.由于数据、算法等原因,推荐系统可能会对具有某些特性的群体产生带有偏见的结果,导致不公平现象的产生,从而引发各种问题.消除偏见并在推荐中实现一定的公平性,会使整个推荐系统的结果更加平衡、友好.对推荐系统的公平性进行评价是提高推荐系统公平性的基础,近年来,研究者提出了各种不同的推荐系统公平性评价方法.本文系统总结了近几年的研究成果,从3个维度对推荐系统公平性进行了分类介绍,重点从利益相关者的维度详细分析并总结了在各种推荐环境下出现的公平性定义和评价标准,并对其进行了展望.     

个性化推荐系统综述

信息超载是目前网络用户面临的一个严重问题,个性化推荐系统是解决该问题的一个有力工具,并受到了众多的关注和研究。给出推荐系统的定义,同时阐述了推荐系统的几项关键技术,包括用户建模、推荐对象的建模和推荐算法。后来总结了推荐系统的体系结构和性能评价指标,并尝试给出了推荐系统未来研究的重点、难点和热点问题。     

关于视频推荐系统数据处理方法的分析

视频推荐系统作为一种重要的应用,可以帮助用户在网站中海量的视频库里找到其感兴趣的视频,同时也可以帮助用户挖掘出自己本身的兴趣。而视频推荐系统中核心和关键的部分是推荐算法,它在很大程度上决定了视频推荐系统的类型和性能的优劣。本文分析了视频推荐系统的常见架构并展示了优化后的推荐算法流程,在处理海量数据的真实应用背景下提出了总结出应用于视频推荐系统中的数据处理方法。     

协同过滤算法在推荐系统中的应用

介绍了协同过滤算法,并对算法进行了改进,解决了用户稀疏的情况下传统算法的不足,同时通过引入评分阈值,显著提高了个性化协同过滤算法的推荐精度。     

基于人工免疫系统的推荐系统

简要介绍了免疫系统的基本概念,以及人工免疫系统中的独特型网络模型,将其算法思想引入推荐系统中,提出了一种基于人工免疫系统的推荐算法。给出了算法的描述,并对使用该算法前后的结果进行比较。数据实验结果表明,该算法对推荐预测精确度的提高有明显的效果。     

基于分布式数据挖掘的电子商务推荐系统①

为解决电子商务推荐系统开放性、效率和精确度问题,给出了基于分布式数据挖掘的电子商务推荐系统(BDBRS)功能结构,提出了该系统的体系结构,然后介绍了BDBRS所应用的技术和BDBRS的设计与实现,最后描述了BDBRS的部分功能模块及人机界面,验证了BDBRS的正确性和本文研究的推荐算法在效率、精确度等方面的优越性。     

基于特征的单向数字电视节目推荐系统

本文首先引述了当前数字电视的发展现状以及建立数字电视推荐系统的必要性,接着给出了整个系统的架构。该系统在前端采集用户特征和用户行为特征,并且把这些特征发送至服务器端,经过服务器端的推荐算法计算,推荐一组节目返回给用户供其选择。     

基于人工免疫系统的推荐系统

简要介绍了免疫系统的基本概念，以及人工免疫系统中的独特型网络模型，将其算法思想引入推荐系统中，提出了一种基于人工免疫系统的推荐算法。给出了算法的描述，并对使用该算法前后的结果进行比较。数据实验结果表明，该算法对推荐预测精确度的提高有明显的效果。     

上下文感知推荐系统

近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知推荐系统的研究进展进行综述,对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析.最后,对上下文感知推荐系统有待深入的研究难点和发展趋势进行了展望.     

Serendipity in Recommender Systems: A Systematic Literature Review

A recommender system is employed to accurately recommend items,which are expected to attract the user's attention.The over-emphasis on the accuracy of the recommendations can cause information over-specialization and make recommendations boring and even predictable.Novelty and diversity are two partly useful solutions to these problems.However,novel and diverse recommendations cannot merely ensure that users are attracted since such recommendations may not be relevant to the user's interests.Hence,it is necessary to consider other criteria,such as unexpectedness and relevance.Serendipity is a criterion for making appealing and useful recommendations.The usefulness of serendipitous recommendations is the main superiority of this criterion over novelty and diversity.The bulk of studies of recommender systems have focused on serendipity in recent years.Thus,a systematic literature review is conducted in this paper on previous studies of serendipity-oriented recommender systems.Accordingly,this paper focuses on the contextual convergence of serendipity definitions,datasets,serendipitous recommendation methods,and their evaluation techniques.Finally,the trends and existing potentials of the serendipity-oriented recommender systems are discussed for future studies.The results of the systematic literature review present that the quality and the quantity of articles in the serendipity-oriented recommender systems are progressing.     

CROC: A New Evaluation Criterion for Recommender Systems

Evaluation of a recommender system algorithm is a challenging task due to the many possible scenarios in which such systems may be deployed. We have designed a new performance plot called the CROC curve with an associated statistic: the area under the curve. Our CROC curve supplements the widely used ROC curve in recommender system evaluation by discovering performance characteristics that standard ROC evaluation often ignores. Empirical studies on two domains and including several recommender system algorithms demonstrate that combining ROC and CROC curves in evaluation can lead to a more informed characterization of performance than using either curve alone.     

基于异质信息网络的推荐系统研究综述

推荐系统旨在为用户提供个性化匹配服务,从而有效缓解大数据时代的信息过载问题,并且改善用户体验,增加用户粘性,极大地促进了电子商务等领域的发展。然而,在实际应用场景中,由于数据稀疏和冷启动问题的存在,推荐系统往往难以得到精准的推荐结果;而复杂的模型设计也导致推荐系统的可解释性不尽如人意。因此,如何充分利用交互、属性、以及各种辅助信息提升推荐的性能和可解释性是推荐系统的核心问题。另一方面,异质信息网络作为一种全面地建模复杂系统中丰富的结构和语义信息的方法,在融合多源信息、捕捉结构语义等方面具有显著优势,已经被成功应用于相似性度量、节点聚类、链接预测、排序等各种数据挖掘任务中。近年来,采用异质信息网络统一建模推荐系统中不同类型对象的复杂交互行为、丰富的用户和商品属性以及各种各样的辅助信息,不仅有效地缓解了推荐系统的数据稀疏和冷启动问题,而且具有较好的可解释性,并因此得到了广泛关注与应用。本文旨在对基于异质信息网络的推荐系统进行全面地综述,首次系统地梳理现有工作,弥补该领域缺乏综述的空白。具体而言,本文首先介绍了异质信息网络和推荐系统的核心概念和背景知识,简要回顾了异质信息网络和推荐系统的研究现状,并且阐述了将推荐系统建模为异质信息网络的一般步骤。然后,本文根据模型原理的不同将现有方法分为三类,分别是基于相似性度量的方法、基于矩阵分解的方法和基于图表示学习的方法,并对每类方法的代表性工作进行了全面的介绍,指出了每类方法的优缺点和不同方法之间的发展脉络与内在关系。最后,本文讨论了现有方法存在的问题,并展望了该领域未来的几个潜在的研究方向。     

电子商务推荐系统研究

目前,电子商务网站之间的竞争日益加剧,赢得这场竞争的关键之一是如何更好地了解用户需求以提供更令人满意的服务,于是以AI领域的agent技术为依托,电子商务推荐系统就逐步发展起来。本文首先介绍推荐系统的表现形式,然后分类研究各种主流推荐技术,并在此基础上深入分析和比较这几种推荐技术的异同及其应用范围,最后探讨实
际应用效果最好的混合推荐系统技术。     

协同过滤推荐系统综述

随着互联网和信息计算的飞速发展,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。     

Explanation in Recommender Systems

There is increasing awareness in recommender systems research of the need to make the recommendation process more transparent to users. Following a brief review of existing approaches to explanation in recommender systems, we focus in this paper on a case-based reasoning (CBR) approach to product recommendation that offers important benefits in terms of the ease with which the recommendation process can be explained and the system’s recommendations can be justified. For example, recommendations based on incomplete queries can be justified on the grounds that the user’s preferences with respect to attributes not mentioned in her query cannot affect the outcome. We also show how the relevance of any question the user is asked can be explained in terms of its ability to discriminate between competing cases, thus giving users a unique insight into the recommendation process.     

社会化推荐系统研究

近年来,社会化推荐系统已成为推荐系统研究领域较为活跃的研究方向之一.如何利用用户社会属性信息缓解推荐系统中数据稀疏性和冷启动问题、提高推荐系统的性能,成为社会化推荐系统的主要任务.对最近几年社会化推荐系统的研究进展进行综述,对信任推理算法、推荐关键技术及其应用进展进行前沿概括、比较和分析.最后,对社会化推荐系统中有待深入研究的难点、热点及发展趋势进行展望.     

移动推荐系统及其应用

近年来,移动推荐系统已成为推荐系统研究领域最为活跃的课题之一.如何利用移动上下文、移动社会化网络等信息进一步提高移动推荐系统的推荐精确度和用户满意度,成为移动推荐系统的主要任务.对最近几年移动推荐系统研究进展进行综述,对其关键技术、效用评价以及应用实践等进行前沿概括、比较和分析.最后,对移动推荐系统有待深入的研究难点和发展趋势进行分析和展望.     

知识驱动的推荐系统：现状与展望

个性化推荐系统能够根据用户的个性化偏好和需要,自动、快速、精准地为用户提供其所需的互联网资源,已成为当今大数据时代应用最广泛的信息检索系统,具有巨大的商业应用价值。近年来,随着互联网海量数据的激增,人工智能技术的快速发展与普及,以知识图谱为代表的大数据知识工程日益受到学界和业界的高度关注,也有力地推动推荐系统和个性化推荐技术也迈入到知识驱动与赋能的发展阶段。将知识图谱中蕴含的丰富知识作为有用的辅助信息引入推荐系统,不仅能够有效应对数据稀疏、语义失配等传统推荐系统难以避免的问题,还能帮助推荐系统产生多样化、可解释的推荐结果,并更好地完成跨领域推荐、序列化推荐等具有挑战性的推荐任务,从而提升各类实际推荐场景中的用户满意度。本文将现有融入知识图谱的各种推荐模型按其采用的推荐算法与面向的推荐场景不同进行分类,构建科学、合理的分类体系。其中,按照推荐方法的不同,划分出基于特征表示的和基于图结构的两大类推荐模型;按推荐场景划分,特别关注多样化推荐、可解释推荐、序列化推荐与跨领域推荐。然后,我们在各类推荐模型中分别选取代表性的研究工作进行介绍,还简要对比了各个模型的特点与优劣。此外,本文还结合当下人工智能技术和应用的发展趋势,展望了认知智能推荐系统的发展前景,具体包括融合多模态知识的推荐系统,具有常识理解能力的推荐系统,以及解说式、劝说式、抗辩式推荐系统。本文的综述内容和展望可作为推荐系统未来研究方向的有益参考。