[论文解读] Recent Developments in Recommender Systems: A Survey

Yang Li, Kangbo Liu+3 more|arXiv (Cornell University)|Jun 22, 2023

Recommender Systems and Techniques被引用 12

一句话总结

本综述全面概览了推荐系统的最新进展，详细描述了分类法、方法、鲁棒性、偏见与公平、评估指标及未来方向。

ABSTRACT

In this technical survey, we comprehensively summarize the latest advancements in the field of recommender systems. The objective of this study is to provide an overview of the current state-of-the-art in the field and highlight the latest trends in the development of recommender systems. The study starts with a comprehensive summary of the main taxonomy of recommender systems, including personalized and group recommender systems, and then delves into the category of knowledge-based recommender systems. In addition, the survey analyzes the robustness, data bias, and fairness issues in recommender systems, summarizing the evaluation metrics used to assess the performance of these systems. Finally, the study provides insights into the latest trends in the development of recommender systems and highlights the new directions for future research in the field.

研究动机与目标

• 总结推荐系统的现状和最新研究进展，并澄清主要的分类体系，包括个性化、群体化和基于知识的方法。
• 分析推荐系统中的鲁棒性、数据偏差与公平性问题及其对性能与部署的影响。
• 调查和综合用于评估推荐系统的评估指标。
• 突出正在发展的趋势并提出该领域未来的研究方向。

提出的方法

• 评审并综合现有关于推荐系统分类（个性化、群体、基于知识）文献。
• 讨论协同过滤（基于记忆和基于模型）、上下文感知、基于内容和混合方法，包括知识图谱和深度学习方法。
• 总结鲁棒性、数据偏差和公平性挑战以及它们的评估方式。
• 提供知识图谱使用及知识驱动扩展在推荐系统中的格局，包括知识图谱及相关模型。

实验结果

研究问题

• RQ1 现代推荐系统中最主要的分类与分法有哪些（包括个性化、群体和基于知识的方法）？
• RQ2 鲁棒性、数据偏差和公平性如何影响推荐系统的性能与部署，以及如何衡量？
• RQ3 推荐系统最常用的评估指标是什么，它们揭示了模型的哪些性能？
• RQ4 推荐系统的新兴趋势和未来方向有哪些（如深度学习、知识图谱、情境建模）？

主要发现

• 本文提供了关于推荐系统分类、体系结构以及知识源整合的广泛、最新的概览。
• 它强调鲁棒性、数据偏差与公平性是商业可行性与评估中的关键挑战。
• 它评估了广泛的方法（协同过滤、基于内容、基于知识以及混合方法），并指出图神经网络和知识图谱的日益重要作用。
• 它讨论了各种评估框架（基于评分和基于物品的指标），并指出正在演变的趋势与未来研究方向。