[论文解读] A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation.

Le Wu, Xiangnan He+3 more|arXiv (Cornell University)|Apr 27, 2021

Recommender Systems and Techniques参考文献 198被引用 26

一句话总结

本综述将神经推荐模型系统性地划分为协同过滤、内容增强型和上下文增强型三类，提出一种基于数据利用方式而非深度学习架构的统一框架。它整合了关键进展，强调了表征学习的优势，并指出基准测试、图推理以及公平/可解释推荐是未来关键的研究方向。

ABSTRACT

Influenced by the stunning success of deep learning in computer vision and language understanding, research in recommendation has shifted to inventing new recommender models based on neural networks. In recent years, we have witnessed significant progress in developing neural recommender models, which generalize and surpass traditional recommender models owing to the strong representation power of neural networks. In this survey paper, we conduct a systematic review on neural recommender models, aiming to summarize the field to facilitate future progress. Distinct from existing surveys that categorize existing methods based on the taxonomy of deep learning techniques, we instead summarize the field from the perspective of recommendation modeling, which could be more instructive to researchers and practitioners working on recommender systems. Specifically, we divide the work into three types based on the data they used for recommendation modeling: 1) collaborative filtering models, which leverage the key source of user-item interaction data; 2) content enriched models, which additionally utilize the side information associated with users and items, like user profile and item knowledge graph; and 3) context enriched models, which account for the contextual information associated with an interaction, such as time, location, and the past interactions. After reviewing representative works for each type, we finally discuss some promising directions in this field, including benchmarking recommender systems, graph reasoning based recommendation models, and explainable and fair recommendations for social good.

研究动机与目标

• 提供一个全面的、以数据为中心的神经推荐模型分类体系，超越对深度学习架构的分类。
• 通过围绕所使用数据类型（协同、内容或上下文）组织方法，弥补现有综述的不足，为研究人员提供更清晰的指导。
• 整合神经推荐领域的最新进展，强调深度学习相较于传统模型在表征学习方面的优势。
• 识别并讨论新兴研究方向，包括基准测试、基于图的推理以及伦理推荐系统。
• 通过阐明用户-物品交互、辅助信息和上下文信号在模型设计中的作用，支持未来创新。

提出的方法

• 根据数据类型将神经推荐模型分为三类：协同过滤（用户-物品交互）、内容增强型（用户/物品辅助信息）和上下文增强型（时间、空间或序列上下文）。
• 回顾各类中的代表性模型，重点分析其如何利用特定数据类型以提升推荐准确率和泛化能力。
• 强调使用深度神经网络从交互、内容和上下文数据中学习分层、非线性表征。
• 在推荐任务背景下，分析嵌入学习、注意力机制和图神经网络等模型设计模式。
• 提出一种以数据模态优先于模型架构的框架，用于组织和理解该领域。
• 讨论知识图谱和序列建模的集成，以增强内容和上下文感知推荐。

实验结果

研究问题

• RQ1 如何基于模型所利用的数据类型而非其深度学习架构，对神经推荐模型进行系统性分类？
• RQ2 协同过滤、内容增强型和上下文增强型推荐范式中的关键进展和代表性模型是什么？
• RQ3 辅助信息（如用户资料、物品属性）和上下文信号（如时间、位置）如何提升推荐性能？
• RQ4 在神经推荐领域，最具前景的未来研究方向是什么，特别是在基准测试、图推理和公平性方面？
• RQ5 神经模型在表征学习和泛化能力方面，如何超越传统协同过滤和基于内容的方法？

主要发现

• 由于在用户-物品交互上具备更优越的表征学习能力，神经推荐模型显著优于传统方法。
• 在内容增强型模型中，整合用户资料和物品知识图谱等辅助信息可提升模型准确率和个性化程度。
• 考虑时间、空间或序列上下文的上下文增强型模型，可提升动态环境中的推荐相关性。
• 图神经网络和知识图谱集成已成为建模内容和上下文感知推荐中复杂关系的有力工具。
• 基准测试、可解释性和公平性被识别为关键但发展不足的研究领域，亟需进一步研究以确保模型的稳健与伦理部署。
• 基于数据类型的分类体系相较于以架构为中心的分类方式，为研究人员和从业者提供了更具指导性和实用性的框架。