[论文解读] Recommender Systems for the Internet of Things: A Survey

May Altulyan, Lina Yao+4 more|arXiv (Cornell University)|Jul 14, 2020

Recommender Systems and Techniques参考文献 116被引用 8

一句话总结

本文对物联网（IoT）推荐系统进行了全面综述，提出了一套参考框架，以应对处理异构、动态的物联网数据及上下文信息所面临的挑战。综述涵盖了智能家居、医疗保健、旅游和智慧城市等领域的最新技术，包括协同过滤、基于内容的过滤、混合方法、多智能体系统、图数据库以及机器学习等，突出展示了关键进展并指出了开放的研究挑战。

ABSTRACT

Recommendation represents a vital stage in developing and promoting the benefits of the Internet of Things (IoT). Traditional recommender systems fail to exploit ever-growing, dynamic, and heterogeneous IoT data. This paper presents a comprehensive review of the state-of-the-art recommender systems, as well as related techniques and application in the vibrant field of IoT. We discuss several limitations of applying recommendation systems to IoT and propose a reference framework for comparing existing studies to guide future research and practices.

研究动机与目标

• 为解决传统推荐系统在处理物联网设备产生的海量、异构和动态数据方面的局限性。
• 识别物联网推荐系统中的核心挑战，包括上下文感知、资源约束和安全开销。
• 提供一个统一的参考框架，用于比较现有RSIoT研究并指导未来的研究与开发。
• 回顾并分类最先进的推荐技术及其在现实世界物联网领域中的应用。
• 分析当前技术前沿，并勾勒RSIoT的未来研究方向。

提出的方法

• 对177篇以上关于推荐系统的论文进行系统性综述，重点关注物联网特定的应用与技术。
• 根据技术类型（如协同过滤、基于内容的过滤、混合方法、多智能体系统、图数据库、机器学习、深度学习、强化学习）对RSIoT方法进行分类。
• 基于其对上下文数据的使用、数据处理流程以及物联网各层的系统架构，分析并比较现有系统。
• 提出一个参考框架，通过结构化数据源、处理层、推荐逻辑和输出机制等组件，实现对RSIoT系统的标准化比较。
• 采用先前文献中定义的指标（如准确率、生产力和可扩展性）评估技术性能。
• 整合来自不同领域（智能家居、移动医疗、智能旅游、智能停车）的研究成果，识别当前研究中的共性模式与空白。

实验结果

研究问题

• RQ1 如何将传统推荐系统适应于物联网动态、异构且富含上下文的环境？
• RQ2 现有RSIoT系统如何利用上下文信息、用户行为和实时数据来提升推荐准确性？
• RQ3 RSIoT中占主导地位的技术有哪些？它们在性能、可扩展性和跨领域部署方面有何差异？
• RQ4 如何设计一个标准化框架，以比较和评估多样化的RSIoT系统，并指导未来研究？
• RQ5 RSIoT最具前景的应用领域是什么？这些领域对推荐算法提出了哪些独特需求？

主要发现

• 传统推荐系统无法有效利用物联网设备产生的动态、异构且富含上下文的数据。
• 多智能体系统（MAS）和图数据库模型（如Neo4j）在智能家居和移动医疗中，对管理复杂物联网数据并实现实时个性化推荐方面表现出色。
• 机器学习与深度学习技术（包括分布式卡尔曼滤波器、RBF网络和3D CNN）在智能健康与健身应用中，显著提升了用户偏好预测的准确性。
• 强化学习（如LinUCB、IRL）在智慧城市和家庭自动化中实现了上下文感知、自适应的推荐，尤其适用于任务排序和目标导向辅助。
• AHP和地理围栏技术在智能旅游和停车系统中成功应用，通过空间和行为线索增强了推荐的相关性。
• 尽管已取得进展，但由于资源约束和数据复杂性，系统可扩展性、安全集成和实时处理方面仍存在挑战。