推荐系统与内容系统

推荐系统能够推荐用户可能感兴趣的物品，提供个性化的信息获取方式，作为查询驱动搜索的补充。

Definition

推荐系统通过利用物品内容、用户过往行为以及其他用户行为等证据，预测用户对物品的偏好，并呈现一组排序后的建议，以在无需明确查询的情况下支持个性化的信息获取。

Scope

该领域涵盖了主动向用户推荐物品的系统：包括将物品与用户画像匹配的基于内容的推荐、利用用户和物品之间模式的协同过滤、结合多种信号并适应情境的混合与情境感知方法，以及推荐效果的评估。它将推荐视为信息获取中以个性化为导向的一个分支，与检索密切相关，共享表示和评估理念，同时解决了在没有明确查询的情况下推荐物品的独特问题。

Sub-topics

• 协同过滤
• 基于内容的推荐
• 混合式和情境感知推荐系统
• 推荐系统评估

Core questions

• 如何从明确评分和隐式行为中推断用户偏好？
• 基于内容的推荐与协同过滤有何不同？
• 协同方法如何利用众多用户和物品之间的模式？
• 内容、行为和情境信号如何结合？
• 除了预测准确性之外，推荐质量如何衡量？

Key concepts

• 用户和物品画像
• 显式和隐式反馈
• 基于内容的推荐
• 协同过滤
• 矩阵分解/潜在因子
• 冷启动问题
• 情境感知推荐
• 推荐排序和多样性

Key theories

基于内容与协同过滤

基于内容的方法利用物品特征推荐用户喜欢过的相似物品，而协同过滤则利用用户-物品交互矩阵推荐相似用户喜欢的物品，两者各有其互补的优缺点。

矩阵分解和潜在因子模型

协同过滤可以看作是将稀疏的用户-物品评分矩阵分解为低维的用户和物品因子，其点积可以预测偏好，这是现代推荐的核心技术。

Clinical relevance

推荐系统是电子商务、流媒体、新闻、社交平台和在线广告的核心，塑造了用户在线体验的很大一部分。它们与检索共享表示、排序和评估方法，而多样性、公平性和过滤气泡等问题使得其设计具有重要意义。

History

推荐系统于20世纪90年代中期随着GroupLens等早期协同过滤系统而出现。Netflix Prize竞赛（2006-2009年）推动了矩阵分解方法的重大进展，该领域逐渐发展成为一个涵盖基于内容、协同、混合和情境感知方法的广泛学科，并在综合性手册和教科书中得到了巩固。

Key figures

• Joseph Konstan
• John Riedl
• Gediminas Adomavicius
• Charu Aggarwal
• Francesco Ricci

Seminal works

• ricci2015
• adomavicius2005
• ekstrand2011

Frequently asked questions

推荐与搜索有何不同？

搜索响应表达即时需求的明确查询，而推荐则根据用户推断的偏好和情境主动推荐物品，通常无需任何查询。它们共享表示和排序机制，但解决了不同的信息获取问题。

什么是冷启动问题？

冷启动是指为交互历史很少或没有交互历史的新用户或新物品进行推荐的困难。由于没有评分或行为可供学习，协同方法会遇到困难，因此通常使用基于内容的特征和混合方法来弥补这一不足。