350篇文献总结可信推荐系统前沿进展-CSDN博客

本文链接：https://blog.csdn.net/weixin_44289754/article/details/126080210

这篇综述探讨了推荐系统的可信性，包括可解释性、公平性、隐私性和鲁棒性等方面。文章介绍了推荐系统的基础，如输入输出和代表性算法，并深入分析了各种可信推荐算法，旨在提高用户满意度和系统透明度。此外，还讨论了公平性定义、隐私保护技术和鲁棒性挑战，以及如何增强推荐系统的可控性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

嘿，记得给“机器学习与推荐算法”添加星标

推荐系统作为以人为本的人工智能技术的最前沿应用，被广泛部署在网络世界的每个角落，其大大提高了人类的决策效率。然而，尽管推荐系统具有巨大的作用和潜力，但也可能导致对用户、物品、生产者、平台甚至整个社会的不良影响，例如由于不透明的过程而损害用户的信任，对不同的消费者或生产者的不公平待遇，由于大量使用用户的私人敏感数据进行个性化推荐而导致的隐私泄露问题，由于缺乏对用户自身数据的控制而导致推荐重复的内容的回音室效应等等。所有这些都造成了对可信推荐系统的迫切需求，以减轻或避免这种不利影响和风险。

在本文综述中，将介绍与可信和负责任的推荐系统有关的技术，包括但不限于可解释推荐算法、公平性推荐算法、隐私保护的推荐算法、鲁棒推荐算法、用户可控的推荐算法，以及从不同角度讨论了可信和负责任的推荐算法的关系。通过本文综述，希望为读者提供一个对可信推荐系统研究领域的全貌，并引起社会对可信推荐系统的重要性、现有研究成果和未来研究方向的关注。