推荐系统——基本概念

序

---

1. 帕洛阿尔托研究中心的Tapestry系统（Goldberg et al.1992）引入了协同过滤的思想和概念，展示了如何将显示标注数据和隐式行为数据注入可查询的数据库中，以及用户如何利用这些数据进行个性化过滤。
2. Grouplens系统（Resnick et al.1994）展示了协同过滤方法既能跨网计算又能自动完成，GroupLens针对Usenet新闻消息进行自动协同过滤。
3. MIT的Ringo系统是针对音乐唱片和艺术家进行过滤。
4. 贝尔通信研究中心的视频推荐系统（Hill et al.1995）针对影片进行过滤。

---

每个系统都是使用相似的自动化技术——通过算法识别出其他有相似爱好的用户，然后综合他们的评分给出个性化的加权平均值。简单的“K最近邻”算法非常有效，在所有协同过滤算法中脱颖而出，很快成为黄金标准。

---

面向系统的探索
此阶段（不仅是通过协同过滤，还有基于知识的系统，比如FindMe系统（Burke et al.1996））证明了推荐系统的可行性和效果，极大地激发了人们推动该领域在科研及商业实践方面不断向前发展。
这一阶段的关键事件是1996年3月在伯克利举办的协同过滤专题研讨会。这次集会将工作在个性化和非个性化系统、不同算法（从统计汇总、K最近邻到贝叶斯聚类）、不同领域的人们聚集在了一起，最后达成共识：围绕一个主题，推荐系统展开。专题学术研讨会的《ACM通信》专刊（Resnick and Varian 1997）

---

快速商业化
这一时期研究工作的重点是解决技术挑战。人们开发新的算法以降低在线计算时间，包括沿用至今的基于物品的关联算法和降维方法。研究人员更感兴趣的是根据对于top-n推荐列表的各种性能的度量来评价各个推荐系统。研究领域非常广泛，包括隐式评分、新用户和新物品的冷启动问题以及可信度、可解释性和透明度等用户体验相关问题。

---

推荐成为主流
推荐系统作为一门技术仍然存在，并广泛应用在电子商务、大规模零售业和各种知识管理应用中；与此同时，来自人工智能、信息检索、数据挖掘、安全与隐私以及商业与营销等各个领域的研究，都为推荐系统提供了新的分析和方法。

---

前进——基于上下文的推荐
证明推荐领域评估算法中传统的“隐藏某些数据”方法存在缺陷的论文 （Marlin and Zemel 2009）,而近年被引用册数最多的推荐领域论文是一篇设计如何让评估适合用户需求的论文（Herlocker et al.2004）。

---

前言