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

最新推荐文章于 2021-07-14 20:43:00 发布

Dive_

最新推荐文章于 2021-07-14 20:43:00 发布

阅读量463

点赞数

分类专栏：推荐系统

本文链接：https://blog.csdn.net/qq_38119106/article/details/109201554

版权

很多附加信息利用起来。例如由于社交网络的出现，出现了许多信任感知推荐算法，基于用户与可信朋友共享类似偏好的假设。
基于深度学习的推荐方法，凭借优越的可伸缩性和灵活性，以适应任意的侧信息。

按任务分类：

General recommendation
Temporal recommendation 关键是对表现出显著（短期或长期）时间漂移的用户偏好的动态进行建模
Sequential recommendation (or next-item recommendation) 顺序推荐试图在连续项之间建模顺序模式，并为用户生成及时的建议。

按输出分类：基于评级和排名的项目推荐任务

两种基于CF的方法被广泛研究：

Memory-based approaches.基于内存或基于领域。面向用户的方法：预测目标用户的评分，基于系统中类似用户的评分。面向物品的方法，反之。
Model-based approaches. 在用户项评级矩阵上采用数据挖掘或机器学习技术来揭示复杂的用户行为模式。侧信息可以作为额外的有价值的特征，被输入到预测模型中。
- Latent factor models (LFMs)
- Representation learning models (RLMs) RLMs最初是受词嵌入技术的启发
- Deep learning models (DLMs) ，DLM(例如Auto Rec，NCF，DMF)。可以通过各种类型的激活函数学习非线性潜在表示。

在这里插入图片描述
本质上，LFMs（例如矩阵分解）和RLMS(例如item2vec)都可以被认为是DLMS的特例，即浅层神经网络。

虽然DLM相对于其他基于模型的推荐方法取得了优越的性能，但如何有效地将不同的侧信息纳入DLM的研究还没有达到它的全部潜力。相反，近几十年来，这些研究问题在LFMS和RLMS中得到了很好的研究，可以给DLM利用附加信息一些启发。
与DLMS相比，DLMS涉及更多的计算成本，但通常只实现较小的性能增量，传统的基于模型的方法(例如LFM和RLMS)具有潜力发展成，产生出更好的推荐准确性。

本文按照结构对附加信息进行分类：
在这里插入图片描述

structural data
- Flat features (FFs). 其中特征是在同一层独立组织的，这种侧面信息被广泛地用于更好的电影或音乐推荐。
- Network features (NFs).信任感知推荐系统直觉是，社交朋友可能有相似的偏好，并通过推荐物品相互影响。
- Feature hierarchies (FHs) 一组特征及其关联关系。
- Knowledge graphs (KGs) KGS将与用户（例如人口统计和社交网络)或物品(例如电影的类型、导演和演员）有关的各种类型的特性连接在一个统一的表示空间中。
Non-structural data

对于结构化数据，有必要制定更先进的基本方法，以有效地容纳这些信息。对于结构化数据，我们需要利用深度学习的优势来帮助提取隐藏的特征。

基于内存的方法，潜在因素模型，以及表示学习模型。

由于在用户或项目空间中进

关注