【综述：推荐系统】A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to

#论文题目：A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering
to Information-rich Recommendation（从协同过滤到信息增强的推荐系统）
#论文地址：https://arxiv.org/pdf/2104.13030
#论文源码开源地址：github.com/hongleizhang/RSPapers、
#论文合集github.com/lmcRS/AWS-recommendation-papers
#论文所属会议：TKDE2022

一、导读

• 在过去的几年中，出现了大量关于开发推荐系统的神经网络方法的工作。本篇文章主要是对使用神经网络的推荐模型(称为“神经推荐模型”)进行系统的回顾。这是当前推荐研究中最热门的话题，近年来不仅有许多令人兴奋的进展，而且显示出成为下一代推荐系统的技术基础的潜力。
• 本篇文章检索最相关的顶级会议如WWW, SIGIR, KDD, ICLR, AAAI, IJCAI, WSDM 和 RecSys, 以及顶级期刊TKDE, TKDD等等。同时，还利用谷歌学术搜索了近期的相关研究。
• 文章调查的时候使用collaborative filtering, content+RS, recommender systems, context+RS, side information, graph neural network, neural recommendation关键词来搜索相关的作品。然后，根据检索到的论文，精心设计主题结构，使其尽可能完整地覆盖所有论文。此外，为了避免遗漏一些重要的工作，作者还在推荐中对一些经典的、有影响力的论文进行了复核。

二、综述结构

我们知道推荐系统可以从某种意义上被定义为：
f ( ) 是预测函数，去估计用户u在上下文信息c下喜欢商品i的可能性，D_u，D_i， D_c分别是描述用户u，商品i，上下文信息c。基于此，推荐系统可以被定义为以下三部分：

1. 综述了协同过滤模型（个性化推荐的基础）的文章，其可以被视为忽略上下文数据D_c，只使用D_u和D_i中的ID索引或交互历史。
2. 回顾了将u（用户侧信息）和i（商品侧信息）整合到推荐模型中的文章，如用户简介和社交网络。我们将其称为内容丰富模型，通过将某侧信息集成到D_u和D_i中，自然地扩展了协同过滤(CF)，但是上下文数据Dc也被忽略了。
3. 回顾使用上下文信息模型的文章。上下文数据与每个用户-项目交互关联，但既不属于用户内容，也不属于项目内容。上下文感知模型除了基于用户相关数据D_u和项目相关数据D_i之外，还基于上下文数据D_c进行预测。本篇文章重点关注的是时态上下文D_c，这是最常见的上下文数据之一。

下图展示了推荐模型的信息源（比如用户交互数据、用户侧以及物品侧数据以及两者交叉所产生的上下文信息）以及所对应的推荐模型建模方法（协同过滤方法、基于内容增强的方法以及上下文感知的方法）。
但是也不是那么绝对，比如将D~u, c_代替Du~也是可以的。

三、文章结构

3.1 基于协同过滤的方法

指仅仅利用用户对物品的交互矩阵的一类方法。其根据是对用户或者物品的表示进行建模还是对两者之间的交互进行建模，分为了基于表示学习的方法和基于交互建模的方法。

3.1.1 基于表示学习的方法

该方法又进一步分为了经典的矩阵分解方法、基于历史注意力机制的方法、自编码器方法以及图学习方法。下表总结了上述方法的建模总结以及代表模型。

3.1.2 基于建模交互的方法：

该方法又进一步分为了基于距离的方法与基于神经网络的方法。

• 基于距离的方法主要是对内积的改进，比如基于欧氏距离以及双曲空间上的距离等。
• 基于神经网络的方法主要是对用户和物品的表示进行进一步特征提取，比如基于多层感知机的交互建模、基于CNN的外积交互建模等。

3.2 基于内容增强的方法

该方法是指在利用用户对物品的交互矩阵的基础上对用户侧或者物品侧的信息进行建模的方法。

其中，用户或物品侧的信息包括文本信息（比如物品标签、物品文字描述以及用户评论等），多媒体信息（比如图像、视频、音频等信息）以及用户侧的社交网络以及物品侧的知识图谱等。
本文根据可获得的内容信息将相关工作分为了五类：用户和物品的一般特征建模、文本内容信息建模、多媒体信息建模、社交网络和知识图的建模。（下图分别展示了利用CNN来处理文本数据的DeepCoNN模型、利用视觉数据的VBPR模型以及利用社交网络信息的DiffNet模型）。

3.2.1 建模一般交互特征

该方法主要是对特征进行二阶的特征提取（比如FM、FFM等）以及基于MLP的多阶特征提取以及基于树结构的提取等。

3.2.2 建模文本特征

该方法主要是利用自然语言处理技术对特征进行处理，比如基于自编码器的方法、基于词嵌入的方法、基于注意力机制的方法以及基于文本可解释性的推荐方法等。

3.2.3 建模多媒体特征

该方法主要是根据输入的数据是图片数据还是视频数据还是音频数据以及它们的结合进行了分类，下图总结了建模的要点以及代表模型，感兴趣的读者可以阅读原文。

3.2.4 建模社交网络特征

该方法主要是分为了社交正则化的方法和GNN的方法，更多基本内容与详细分类可阅读原文3.4 Modeling Social Network

3.2.5 建模知识图谱特征

该方法主要是分为了基于路径的方法、基于正则化的方法和GNN的方法，更多基本内容与详细分类可阅读原文3.5 Modeling Knowledge Graph

3.3 基于时序/序列的方法

该方法是指在利用用户对物品的交互矩阵的基础上添加上下文信息并进行建模的方法。其中，在上述方法的基础上考虑了交互矩阵的时效性，即用户的偏好是动态变化的。
因此基于时序/序列的方法旨在建模用户动态偏好以及随时间变化的序列模式。基于此，主要分为基于时序的推荐方法、基于会话的推荐方法以及基于时序/会话混合的推荐方法。

3.3.1 基于时序的方法

该方法主要是建模用户行为随着时间变化的动态特性，其代表性的模型为RNN等。

3.3.2 基于会话的方法

该方法主要是建模序列间物品与物品间的交互模式，因此其一般是不会存在用户登录相关的信息，其代表性的模型为SASRec等。

3.3.3 基于时序/会话混合的方法

该方法主要是对用户的动态特征以及物品的序列模式进行建模，其代表性的模型为S3-rec等。

以上所介绍的基于神经网络的推荐模型都证明了其推荐性能的优越性。然而，该领域还有许多需要改进的地方。因此，作者从基础标准库的构建、图推理以及自监督建模和多目标优化评估的角度提出了一些值得进一步研究的方向。最后也讨论了对于推荐模型的可重现性的看法。

think：看这篇文章看的很累= =，但是文章的条理非常的清晰，想把这篇文章提及的文章好好看一遍，文末还有对未来的展望，十分有启发作用。