悉尼科技大学最新可信推荐综述，提出可信推荐生态系统并概括9个方面的发展...

嘿，记得给“机器学习与推荐算法”添加星标

---

作者：汪守金
单位：悉尼科技大学

可信推荐系统，作为一种新兴的推荐系统范式，正方兴未艾，大量的新技术和新方法层出不穷。这篇综述对该领域的主要问题、关键挑战、未来方向等方面提供了一个综合而全面的认知。

论文简介

文章题为《Trustworthy Recommender Systems》，论文第一作者为悉尼科技大学数据科学研究所助理教授汪守金博士。他在数据挖掘、机器学习、用户行为分析与建模、时序数据分析、推荐系统和虚假新闻检测等方面有着较为深入的研究。这篇文章是可信推荐系统方向的一篇较为系统全面的综述文章。全文共16页，包含7个章节、3幅插图和58篇该领域内有代表性的参考文献。汪守金博士经过长期的积累和思考，对可信推荐系统这一领域进行了全面而深入的梳理和总结。

在该文中，作者提出了可信推荐生态系统的新概念，并全面分析了描述可信推荐系统的九个方面。作者还提供了一个新颖的四阶段框架来系统地说明可信推荐系统，并分析了每个阶段的挑战。最后，作者给出了一个支持可信推荐系统的概念框架以及这个领域的未来方向。

该文由浅入深，语言力求通俗易懂，举例丰富，有深入的理论分析，既适合科研工作者阅读，也适合工程人员阅读。作者希望该文能给相关的研究人员提供一个对该领域研究的主要问题以及涉及的各个方面、主要挑战一个全面而综合的了解，同时给未来的研究提供一些启发。

链接：https://arxiv.org/abs/2208.06265

一、摘要

推荐系统(RS)旨在帮助用户从海量的大型候选目录中有效地检索他们感兴趣的物品。很长一段时间以来，研究人员和从业人员一直专注于开发准确的推荐系统。近年来，攻击、系统和用户噪声、系统偏差对推荐系统造成的威胁越来越多。因此，很明显，研究工作不能仅仅限定于关注推荐系统的准确性，必须考虑其他重要因素，例如可信度。对于最终用户而言，可信推荐系统(TRS)不仅应该准确，而且应该透明、公正、公平，并且对噪声或攻击具有鲁棒性。这些问题引起了推荐系统的研究范式转变：从以准确性为导向的推荐系统RS到可信推荐系统TRS。然而，研究人员缺乏对TRS这一新颖且快速发展领域的文献概述和讨论。为此，在本文中，作者概述了TRS，包括讨论TRS的动机和基本概念，介绍构建TRS的挑战，以及对该领域未来方向的展望。此外，本文还提供了一个新的概念框架来支持TRS的构建。

二、引言

2.1 为什么需要可信推荐系统

我们生活在信息爆炸和数字经济时代，信息过载问题变得越来越重要。事实上，现在的人们通常从大量且快速增加的产品和服务目录（通常称为项目）中进行选择，这需要花费大量时间来鉴别相关项目和不相关项目。为了以更有效和高效的方式做出明智的选择和决策，推荐系统(RS)已被引入我们日常生活、工作、商业、学习、娱乐和社交的几乎每个方面。如今，RS是人工智能(AI)最重要和最受欢迎的应用领域之一。从形式上讲，RS是软件工具和技术，可为最终用户可能感兴趣的项目提供建议。根据麦肯锡的报告，35%的客户在亚马逊上购买的内容和75%的用户在Netflix上观看的内容来自于推荐系统。

自1992年第一个RS“Tapestry”（当时被称为协同过滤技术）提出以来，RS在过去30年中蓬勃发展并取得了巨大成功；已经开发和部署了包括基于内容的过滤、协同过滤和混合方法在内的一系列RS方法和模型，其中大部分都取得了良好的推荐性能。近年来，得益于机器学习，尤其是深度学习的进步，人们提出了更强大、更准确的RS模型。

尽管在RS领域取得了巨大的成功，但现有的大部分研究工作都集中在提高系统准确性上，而只有一小部分文献还考虑了RS的一些其他重要性质和价值，例如多样性和新颖性。事实上，现有的以准确性为导向的RS并没有在更广泛的人机交互环境中正确考虑最终用户，而其他重要因素通常被认为对整体用户体验至关重要。除此之外，还有一些特别问题需要特别注意。首先，部署RS的网络空间变得越来越复杂，充满了各种来源、性质多样的威胁，包括网络攻击、噪声和虚假信息以及系统偏差。这引发了对旨在在复杂和具有挑战性的网络空间中竞争