推荐系统综述范文 第一篇

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。 优点：无冷启动问题，只依赖于物品本身地特征而不依赖用户的行为，让新的物品、冷僻的物品都能得到展示的机会。只要用户产生了初始的历史数据，就可以开始进行推荐的计算。 存在的问题：推荐质量优劣完全依赖于特征构建的完备性，但特征构建本身就是一项系统的工程，存在一定成本。没有考虑用户对物品的态度，用户的品味和调性很难得到诠释和表达。 典型方式：TF-IDF，其基本思想：出现频率越高的标签区分度越低，反之亦然。 以新闻推荐举例： TFIDF算法可以能够返回给我们一组属于某篇文本的”关键词-TFIDF值”的词数对，这些关键词最好地代表了这篇文本的核心内容，而这些关键词的相对于本篇文章的关键程度由它的TFIDF值量化。计算两篇文本的相似程度公式如下： m是两篇文章重合关键词的集合。将两篇文本的共同关键词的TFIDF的积全部加在一起，获得最终代表两篇文本的相似度的值。 举例： 刚抓进系统的两个新闻，分别提取出关键词与TFIDF值如下： A新闻：“美女模特”：100，“女装”：80，“奔驰”：40 B新闻：“程序员”：100，“女装”：90，“编程”：30 两篇文章只有一个共同关键词“女装”，故相似度为：80*90=7200。

推荐系统综述范文 第二篇

简介：

社区问答 (CQA) 表示人们可以通过提问和回答问题来交流知识的 Web 应用程序类型。大多数现实世界的 CQA 系统面临的一个重大挑战是问题与潜在的优秀回答者之间缺乏有效匹配，这对有效的知识获取和流通产生不利影响。

一方面，请求者可能会在短时间内遇到许多低质量的答案而没有收到高质量的响应，另一方面，回答者可能会面临许多新问题而无法快速确定他们感兴趣的问题。在这种情况下，专家推荐成为解决上述问题的一种很有前途的技术。

在本次调查中，我们首先概述了 CQA 专家推荐的研究工作和最先进的技术。我们接下来总结和比较现有方法的优缺点，然后讨论未解决的问题和未来的研究方向。

论文：

推荐系统综述范文 第三篇

给用户推荐和他兴趣相似的其他用户喜欢的内容，重点在于不同用户的相似性计算。 基础思路：

值得注意的是：在计算用户兴趣相似度时考虑物品的流行度对提升推荐结果的质量有帮助，两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似度。John S. Breese提出了改进后的用户相似度计算公式，惩罚了用户u和用户v共同兴趣列表中热门物品对他们相似度的影响。 算法缺点： 随着用户数目越来越大，计算用户兴趣相似矩阵越来越困难；运算时间复杂度和空间复杂度与用户数增长近似于平方关系。 因此，亚马逊推出了Item CF。

推荐系统综述范文 第四篇

简介：

通过系统的文献搜索，我们首先确定了87种轻推机制，我们将其归类为一个新的分类法。随后的分析表明，之前在推荐系统的背景下只研究了这些轻推机制的一小部分。这表明开发未来的推荐系统具有巨大的潜力，这些系统利用数字轻推的力量来影响用户的决策。因此，在这项工作中，我们概述了将微调机制集成到推荐系统中的潜在方法。

论文：

Simple Surveys: Response Retrieval Inspired by Recommendation Systems

简介：

本文介绍了社会科学应用的简单调查。我们进行了实验，使用四种类型的简单调查来比较个人和综合比较评估的预测准确性：在三个不同背景下的2、5和连续点量表上的成对比较和评级：谷歌街景图像的感知安全性，艺术品的可爱程度和动物GIF的欢闹程度。在各种情况下，我们发现连续量表评分最能预测个人评估，但消耗最多的时间和认知努力。

论文：

 本文部分内容借鉴自：

如有错漏欢迎指正！

关注学姐，帮你分类总结更多的论文！省力省时间！

推荐系统综述范文 第五篇

级联融合：将数据直接给到模型，而模型经过一层一层的过滤，最后反馈某个/某类用户的推荐物品/内容列表。 权重融合：将数据直接给到模型，而模型中分为好多个子的模型，通过子模型算出给某个/某类用户的推荐物品/内容的列表，而此列表包含顺序因素，越靠前的内容被喜欢的可能性就越大，然后将各个子模型的列表按照某个权重进行加权，最后得到整个父模型的推荐列表，也就是该推荐系统给到用户的推荐物品/内容列表。

推荐系统综述范文 第六篇

但是由于知识图谱之中实体的类型和它们之间的关系都是多种多样的（异质的），所以应用到推荐中也是很有挑战性的。

之前有一种方式是通过knowledge graph embedding(KEG)先把知识图谱预处理一下子，学习实体和关系的embedding（Location Embeddings for Next Trip Recommendation-2019），(Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation-2019)，( Collaborative Knowledge Base Embedding for Recommender Systems-2016)，( Learning over knowledge-base embeddings for recommendation-2018)。常用的KGE方法的局限性在于，它们侧重于用过渡约束来建模严格的语义关联性，这更适合于与图有关的任务，如链接预测而不是推荐[145]。

还有一种是基于元路径(Meta-path based)的方法：手动定义携带着高阶信息的元路径，然后把元路径喂给预测模型，但是手动定义元路径的人需要领域知识，并且对于复杂的知识图是相当劳动密集型的( Knowledge Graph Convolutional Networks for Recommender Systems-2019)(KGAT-2019)。如何把知识图谱和推荐系统连接起来，需要面临以下两个问题：

推荐系统综述范文 第七篇

简介：

然后，我们从三个方面进行了全面回顾：POI推荐的影响因素、POI推荐所采用的方法以及POI推荐中的不同任务。

具体来说，我们提出了三个分类法来对POI推荐系统进行分类。

第一，我们根据影响因素签到特征对系统进行分类，包括地理信息、社会关系、时间影响和内容指示。

其次，我们按方法对系统进行分类，包括通过融合方法和联合方法建模的系统。

第三，我们根据推荐任务中的细微差别是否偏向于最近签到，将系统分为一般POI推荐和连续POI推荐。对于每个类别，我们总结了贡献和系统特性，并突出了代表性工作。

此外，我们讨论了可用的数据集和流行的指标。

最后，我们指出了该领域未来可能的发展方向并总结了本次调查。

论文：