混合式和情境感知推荐系统

混合式推荐系统结合多种推荐策略以弥补各自的不足，而情境感知推荐系统则根据用户所处情境调整推荐。

Definition

混合式推荐系统结合两种或多种推荐技术，以产生比任何单一方法更好的推荐；情境感知推荐系统则将用户和物品身份之外的情境信息，如时间、地点、心情或同伴，纳入推荐过程。

Scope

本主题涵盖了基础推荐系统的两个互补扩展：混合系统，它通过加权、切换、特征组合和级联等策略整合基于内容的、协同的和其它技术；以及情境感知推荐，它将时间、地点和设备等情境因素纳入预测。本主题探讨了组合和情境化信号如何提高准确性和鲁棒性，尤其是在冷启动问题上，而基础方法和评估则留给相关主题。

Core questions

• 为什么结合基于内容的和协同的方法，而不是单独使用其中一种？
• 混合推荐系统有哪些策略，例如加权、切换和级联？
• 添加时间或地点等情境如何改变推荐？
• 情境如何被建模为预过滤、后过滤或情境建模？
• 混合式和情境感知方法如何帮助解决冷启动和提高鲁棒性？

Key concepts

• 混合推荐
• 加权和切换混合
• 级联和特征组合混合
• 情境感知推荐
• 情境预过滤和后过滤
• 情境建模
• 冷启动缓解
• 多维偏好模型

Key theories

混合策略

推荐系统可以通过以下方式组合：融合它们的评分（加权）、根据情况选择其中一个（切换）、将一个的输出作为另一个的输入（级联或特征增强），或者合并它们的特征，正确的策略可以弥补每个组件的弱点。

情境感知推荐范式

情境可以通过在推荐前过滤数据（情境预过滤）、之后调整结果（后过滤）或在多维偏好模型中直接建模情境（情境建模）来纳入。

Clinical relevance

大多数生产环境中的推荐系统都是混合式的，融合了协同、内容和行为信号，并适应设备、一天中的时间以及近期活动等情境。这些技术提高了准确性，处理了冷启动问题，并根据当前情境调整推荐，这在移动和流媒体服务中至关重要。

History

Burke在2002年的调查中将混合策略系统化，因为研究人员认识到没有单一的推荐技术是普遍最佳的。情境感知推荐在2000年代发展起来，并由Adomavicius和Tuzhilin正式化，因为移动和普适计算使得情境信号变得可用。混合式、情境感知设计现在已成为部署系统中的标准。

Key figures

• Robin Burke
• Gediminas Adomavicius
• Alexander Tuzhilin
• Francesco Ricci

Seminal works

• burke2002
• adomavicius2011
• ricci2015

Frequently asked questions

为什么大多数实际的推荐系统都是混合式的？

每种技术都有其弱点：基于内容的方法可能过度专业化，而协同方法在冷启动和稀疏性方面存在困难。将它们结合起来可以使一种方法的优点弥补另一种方法的缺点，通常能产生比任何单一方法更准确、更鲁棒的推荐。

在情境感知推荐中，什么算作情境？

情境是除了用户和物品身份之外，任何影响偏好的情境信息，例如时间、地点、设备、天气或用户与谁在一起。纳入情境可以让系统在例如工作日通勤和周末晚上之间做出不同的推荐。