[论文解读] A Review on Recommendation Systems: Context-aware to Social-based

S. M. Mahdi Seyednezhad, Kailey Nobuko Cozart+2 more|arXiv (Cornell University)|Nov 28, 2018

Recommender Systems and Techniques参考文献 41被引用 14

一句话总结

本文全面综述了推荐系统，从传统的协同过滤和基于内容的过滤方法，到先进的上下文感知和基于社交的推荐方法。文章概述了关键技术、评估指标，以及新兴趋势，如社交网络中的链接预测和利用引用与主题分析的学术论文推荐。

ABSTRACT

The number of Internet users had grown rapidly enticing companies and cooperations to make full use of recommendation infrastructures. Consequently, online advertisement companies emerged to aid us in the presence of numerous items and users. Even as a user, you may find yourself drowned in a set of items that you think you might need, but you are not sure if you should try them. Those items could be online services, products, places or even a person for a friendship. Therefore, we need recommender systems that pave the way and help us making good decisions. This paper provides a review on traditional recommendation systems, recommendation system evaluations and metrics, context-aware recommendation systems, and social-based recommendation systems. While it is hard to include all the information in a brief review paper, we try to have an introductory review over the essentials of recommendation systems. More detailed information on each chapter will be found in the corresponding references. For the purpose of explaining the concept in a different way, we provided slides available on https://www.slideshare.net/MahdiSeyednejad/recommender-systems-97094937.

研究动机与目标

• 提供传统与现代推荐系统方法论的结构化概述。
• 考察从基于人口统计和基于内容的过滤到协同过滤与混合方法的演变过程。
• 探索整合时间、空间和情境用户数据的上下文感知系统。
• 分析基于社交的推荐系统，重点关注好友推断、群体推荐和链接预测。
• 识别推荐系统中的研究空白与未来方向，特别是在学术和社交网络环境中的应用。

提出的方法

• 将推荐系统分为四类主要类型：人口统计过滤、基于内容的过滤、协同过滤和混合方法。
• 引入朴素贝叶斯方法，基于属性和项目评分使用条件概率预测用户评分。
• 提出上下文预过滤、后过滤和建模技术，将用户上下文（如时间、位置）整合到推荐中。
• 采用基于直方图的相似性方法，利用评分差异作为代理，建模社交网络中直接好友的影响。
• 使用基于拓扑和基于相似性的度量进行社交网络中的链接预测，包括基于节点和基于路径的特征。
• 将基于上下文的协同过滤和共引用分析方法应用于学术论文推荐，利用引用网络和共享参考文献。

实验结果

研究问题

• RQ1 上下文感知推荐系统如何通过整合情境化用户数据提升个性化程度？
• RQ2 利用社交网络结构建模用户行为与偏好的最有效技术是什么？
• RQ3 如何通过用户属性、表情符号使用和共同好友分析增强社交网络中的链接预测？
• RQ4 共引用分析与引用网络建模在多大程度上提升了学术论文推荐的准确性？
• RQ5 传统协同过滤方法存在哪些局限性？混合方法或上下文感知模型如何克服这些局限？

主要发现

• 通过整合时间、位置和设备等实时用户上下文，上下文感知系统显著提升了推荐的相关性。
• 基于社交的系统在预测用户连接和好友推荐方面优于传统方法，尤其在使用基于拓扑和基于相似性的度量时表现更优。
• 基于直方图的评分差异建模显著提高了对社交网络中直接好友影响力估计的准确性。
• 共引用分析与引用网络建模在学术论文推荐任务中优于标准协同过滤方法。
• 结合基于内容和协同过滤的混合方法在预测质量与多样性方面表现更优。
• 表情符号和用户表达的语义分析在推特等社交媒体平台中作为链接预测的调节因子展现出潜力。