A Survey on Data-Centric Recommender Systems
本文首次系统综述数据驱动的推荐系统，涵盖基础概念、数据三大问题、现有研究及未来方向，强调从模型中心向数据中心的范式转变。
2024-05-28 cs.IR
A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
本综述系统对比工业与学术推荐系统，提出基于物品特征的新分类，并强调用户决策及跨学科理论以弥合实践差距。
2025-09-07 cs.IR
Causal Inference in Recommender Systems: A Survey and Future Directions
本综述针对传统推荐系统仅依赖相关性、缺乏因果性的问题，梳理因果推断在推荐系统领域的应用研究，介绍基础概念、现存问题、现有工作分类，并提出开放问题与未来方向。
2023-12-15 cs.IR
A Survey on the Fairness of Recommender Systems
推荐系统是缓解信息过载的重要工具，在人们的日常生活中扮演着重要的角色。由于建议涉及社会资源的分配（例如，工作推荐），一个重要的问题是推荐是否公平。不公正的推荐不仅不道德，而且损害了推荐人制度本身的长远利益。因此，推荐系统中的公平性问题最近引起了越来越多的关注。然而，由于多个复杂的资源分配过程和各种各样的公平性定义，对推荐中公平性的研究比较分散。为了填补这一空白，我们回顾了在顶级会议/期刊上发表的60多篇论文，包括TOIS，SIGIR和WWW。首先，我们总结了建议中的公平性定义，并提供了几种观点来分类公平性问题。然后，我们回顾了公平性研究中的推荐数据集和测量，并提供了一个详细的分类公平性方法的建议。最后，我们通过概述一些有希望的未来方向来结束这项调查。
2022-06-19 cs.IR
Rethinking Fairness in LLM-Based Recommender Systems: A Survey
National Taiwan University（国立台湾大学）
本文系统综述了基于大语言模型的推荐系统中的公平性问题，从偏见机制和公平目标两个维度组织现有研究，并探讨了评估与缓解策略，旨在为未来研究提供结构化基础。
2026-08-31 cs.IR
A Survey on Intent-aware Recommender Systems
本文综述了意图感知推荐系统的现有方法并对其进行分类，分析了当前评估实践，指出未来应结合更多交互信号和上下文信息以提升推荐效果。
2024-10-19 cs.IR
Process-Supervised LLM Recommenders via Flow-guided Tuning
提出Flower，用GFlowNet的token级奖励传播替代SFT，以缓解LLM推荐中的流行度偏差，并提升准确性、公平性与多样性。
2025-05-12 cs.IR
Deep Learning based Recommender System: A Survey and New Perspectives
随着网络信息量的不断增长，推荐系统已经成为克服信息过载的有效策略。推荐系统的效用不能被夸大，因为它在许多网络应用程序中被广泛采用，以及它对改善与过度选择相关的许多问题的潜在影响。近年来，深度学习在计算机视觉和自然语言处理等许多研究领域引起了相当大的兴趣，这不仅是因为它具有出色的性能，而且还因为它从头开始学习特征表示的吸引力。深度学习的影响也很普遍，最近证明了它在应用于信息检索和推荐系统研究时的有效性。显然，推荐系统中的深度学习领域正在蓬勃发展。本文旨在对基于深度学习的推荐系统的最新研究成果进行全面综述。更具体地说，我们提供并设计了一个基于深度学习的推荐模型的分类，并提供了一个最先进的综合总结。最后，我们扩展了当前的趋势，并提供了与该领域这一令人兴奋的新发展有关的新观点。
2019-07-10 cs.IR
Fairness and Diversity in Recommender Systems: A Survey
该综述系统梳理推荐系统中的公平性与多样性研究，提出用户级与物品级多样性视角，并从多样性角度重新解读公平性，揭示二者联系及未来方向。
2024-03-01 cs.IR
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
现有推荐系统的一个重要挑战是用户可能不信任推荐系统，因为缺乏解释或推荐结果不准确。因此，拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结：利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统（例如，垃圾邮件发送者和虚假信息）或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
A Survey on Reinforcement Learning for Recommender Systems
本文针对基于强化学习的推荐系统领域，梳理四类典型场景下的强化学习方法，分析现存挑战与解决方案，并提出未来潜在研究方向，为相关研究者与从业者提供参考。
2023-06-11 cs.IR
A survey of recommender systems for energy efficiency in buildings: Principles, challenges and prospects
近年来，随着物联网（IoT）和人工智能（AI）技术的发展，推荐系统得到了显着发展。因此，作为物联网和人工智能的结果，这些系统中包含多种形式的数据，例如社交，隐式，本地和个人信息，这可以帮助提高推荐系统的性能并扩大其适用性以跨越不同的学科。另一方面，建筑领域的节能正在成为一个热门的研究课题，其中推荐系统在促进节能行为和减少碳排放方面发挥着重要作用。然而，在建筑物中部署建议框架仍然需要更多的调查，以确定当前的挑战和问题，其中他们的解决方案是使研究结果普及的关键，因此，确保大规模采用这项技术。因此，本文提出，尽作者所知，第一次及时和全面的参考能源效率推荐系统，通过（i）调查现有的推荐系统，节能建筑，（ii）讨论他们的演变，（iii）基于指定的标准提供这些系统的原始分类，包括推荐引擎的性质、其目标、计算平台，评价指标和激励措施;以及㈣进行深入的批判性分析，以确定其局限性和未解决的问题。由此产生的挑战和未来的实施领域可以有效地指导能源研究界，以提高建筑物的能源效率，并降低开发的基于推荐系统的解决方案的成本。
2021-02-09 cs.IR
Robust Recommender System: A Survey and Future Directions
本综述系统回顾了推荐系统鲁棒性研究，提出分类法组织抵御恶意攻击与自然噪声的技术，探讨前沿方法、评估指标及未来方向，并维护相关GitHub项目。
2025-04-01 cs.IR
A Comprehensive Survey on Retrieval Methods in Recommender Systems
Shanghai Jiao Tong University（上海交通大学）；China Merchants Bank Credit Card Center（招商银行信用卡中心）
本综述全面探讨了推荐系统中常被忽视的检索阶段，总结了改进相似度计算、增强索引机制和优化训练方法三大关键领域的现有工作，并通过公开数据集基准实验和工业案例研究，为级联推荐系统检索优化提供了基石。
2025-10-11 cs.IR
A Survey of Deep Reinforcement Learning in Recommender Systems: A Systematic Review and Future Directions
University of New South Wales（新南威尔士大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；University of Technology Sydney（悉尼科技大学）
鉴于深度强化学习（DRL）在推荐系统研究中的出现以及近年来取得的一些丰硕成果，本文旨在对深度强化学习在推荐系统中的最新发展趋势进行及时而全面的综述。我们首先介绍了在推荐系统中应用DRL的动机。然后，我们提供了一个分类目前基于DRL推荐系统和现有的方法的总结。我们讨论新出现的主题和开放的问题，并提供我们对推进该领域的观点。本调查作为学术界和工业界读者对这一主题的介绍材料，并确定了进一步研究的重要机会。
2021-09-09 cs.AI cs.IR
A Survey of Affective Recommender Systems: Modeling Attitudes, Emotions, and Moods for Personalization
本文基于Scherer情感类型学提出态度、情绪、心境及混合四类情感推荐系统分类框架，系统梳理情感信号提取、架构与应用，并指出混合模型、大规模数据集和精确术语是未来方向。
2025-08-27 cs.IR
Motifs-based Recommender System via Hypergraph Convolution and Contrastive Learning
近年来，利用不同的渠道来建模社会语义信息，并使用自监督学习任务来提高推荐性能已被证明是一个非常有前途的工作。但如何在保持各渠道独特性的同时，深入挖掘不同渠道之间的关系并充分利用，是该领域尚未得到很好研究和解决的问题。在这种情况下，本文通过实际实验，探索并验证了直接在不同通道上构造对比学习任务的不足，提出了跨通道交互建模和匹配表示的方案。这是在推荐系统领域的首次尝试，相信本文的研究成果对今后基于多渠道信息的自监督学习研究具有一定的启发意义。针对这一问题，提出了一种基于注意交互的跨渠道匹配表示模型，实现了跨渠道信息间关系的高效建模。在此基础上，我们还提出了一种分层自监督学习模型，实现了通道内和通道间两个层次的自监督学习，提高了自监督任务自主挖掘不同层次潜在信息的能力。我们已经进行了大量的实验，在多个公共数据集上的各种度量表明，本文提出的方法与现有的方法相比，无论是在一般情况下还是在冷启动情况下，都有明显的改善。并在模型变异分析实验中，充分验证了本文提出的跨通道匹配表示模型和层次自监督模型的优越性。
2022-09-25 cs.IR
Scientific Paper Recommendation: A Survey
在全球范围内，推荐服务已经变得非常重要，因为它们支持电子商务应用程序和不同的研究社区。推荐系统在经济、教育、科研等领域有着广泛的应用。不同的实证研究表明，推荐系统比基于关键字的搜索引擎更有效，更可靠地从大量的数据中提取有用的知识。在科学共同体中推荐相似科学论文的问题称为科学论文推荐。科技论文推荐的目的是推荐符合研究者兴趣的新文章或经典文章。它已成为一个有吸引力的研究领域，因为学术论文的数量呈指数级增长。在这篇综述中，我们首先介绍了论文推荐系统的重要性和优势。其次，对基于内容的推荐方法、协同过滤推荐方法、基于图的推荐方法和混合推荐方法进行了综述。然后，我们介绍了不同的推荐系统的评价方法。最后，我们总结了论文推荐系统中存在的问题，包括冷启动、稀疏性、可扩展性、隐私性、偶然性和统一的学术数据标准。本调查的目的是提供有关学术论文推荐的综合评价。
2020-08-10 cs.IR
A Survey on LLM-based News Recommender Systems
IEEE（电气和电子工程师协会）
本综述系统梳理基于大语言模型的新闻推荐系统，涵盖判别式与生成式方法，从新闻、用户和预测三个维度建模，并分析挑战与未来方向。
2025-02-21 cs.AI cs.IR
Diffusion Models in Recommendation Systems: A Survey
Santa Clara University（圣克拉拉大学）
本文综述了推荐系统中扩散模型的应用，提出基于推荐任务的分类方法，总结了扩散模型在推荐系统中的发展现状及未来研究方向。
2026-02-28 cs.IR
Point-of-Interest Recommender Systems based on Location-Based Social Networks: A Survey from an Experimental Perspective
兴趣点推荐是被广泛采用的称为推荐系统的技术中的一个日益增长的研究和开发领域。其中，那些利用来自基于位置的社交网络（LBSNs）的信息是非常流行的，现在可以与不同的信息源，这对整个社区提出了一些挑战和研究问题。我们提出了一个系统的审查，重点是在过去10年中所做的研究，这一主题。我们讨论和分类的算法和评估方法在这些作品中使用，并指出在该领域仍然开放的机遇和挑战。更具体地说，我们报告了领先的推荐技术和更经常被利用的信息源（例如地理信号和深度学习方法），同时我们还警告说，该领域缺乏可重复性，这可能会阻碍真正的性能改进。
2022-01-27 cs.IR
On-Device Recommender Systems: A Comprehensive Survey
本综述系统梳理设备端推荐系统（DeviceRSs）的部署推理、训练更新及安全隐私三大方面，提供细粒度分类并讨论挑战与未来方向，为首个全面覆盖多任务的DeviceRSs综述。
2025-08-06 cs.IR
Leveraging Auto-Distillation and Generative Self-Supervised Learning in Residual Graph Transformers for Enhanced Recommender Systems
Declic AI Research（Declic人工智能研究院）；CESI LINEACT Laboratory（CESI LINEACT实验室）；Université Paris-Est（巴黎东部大学）；UPEC（巴黎第十二大学）
本文提出一种集成生成式自监督学习（SSL）与残差图Transformer的前沿方法，通过理性感知SSL自动化数据增强、拓扑感知Transformer捕捉全局上下文及自动蒸馏优化信号，在多数据集上持续优于基线方法，增强推荐系统性能。
2025-04-08 cs.AI cs.IR cs.LG
Poisoning Attacks against Recommender Systems: A Survey
本文系统综述了针对推荐系统的投毒攻击，提出组件特定型、目标驱动型和能力探测型三类分类法，并发布开源库ARLib以支持实证比较与基准测试。
2024-01-14 cs.IR
Recent Developments in Recommender Systems: A Survey
本文综述了推荐系统的最新进展，涵盖主要分类、基于知识的方法、鲁棒性与公平性问题及评价指标，并展望了未来研究方向。
2023-06-22 cs.AI cs.IR cs.LG
A Survey on Trustworthy Recommender Systems
本文系统综述了可信推荐系统（TRS）的研究，涵盖可解释性、公平性、隐私保护、鲁棒性和用户可控性等关键技术，旨在全面梳理该领域的研究现状与未来方向。
2024-02-22 cs.IR
Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives
本文综述了基于评论的推荐系统，分类总结最新方法，分析挑战，并提出多模态数据、多标准评分和伦理等未来研究方向。
2025-05-24 cs.IR
Foundation Models for Recommender Systems: A Survey and New Perspectives
本文全面综述了基于基础模型的推荐系统 (FM4RecSys)，从数据特征、表示学习、模型类型和下游任务四个维度系统分类现有研究，并探讨了未来机遇与新兴趋势。
2024-02-17 cs.IR
Recommender System for News Articles using Supervised Learning
Vodafone Portugal（沃达丰葡萄牙公司）；Universitat Pompeu Fabra（庞培法布拉大学）
在过去的十年中，我们观察到信息的大量增加，特别是通过智能手机共享的信息。因此，可用的信息量不允许普通用户知道他的所有选项。在这种情况下，推荐系统使用许多技术来帮助用户找到所需的产品。因此，如今推荐系统发挥着重要作用。推荐系统的目标是确定最适合用户偏好的产品。这些技术对用户和供应商都是有利的，因为它使用户能够快速找到他需要的东西，并使供应商能够促进他们的产品和销售。随着业界开始意识到使用这些算法可以实现的收益，对于许多研究人员来说也是一个非常有趣的问题，推荐系统自90年代中期以来成为一个非常活跃的领域。考虑到这是一个持续的问题，本论文打算观察使用推荐算法的价值，发现用户喜欢通过观察她的域偏好。在一个平衡的概率方法中，本文将展示如何利用新闻主题来推荐新闻文章。在这篇论文中，我们使用不同的机器学习方法来确定用户对一篇文章的评分。为了解决这个问题，监督学习方法，如线性回归，朴素贝叶斯和逻辑回归。所有上述模型都具有不同的性质，这对给定问题的解决方案产生了影响。此外，一些实验，并讨论，以确定最适合的问题的功能集。
2017-07-03 cs.IR cs.LG
Multi-Task Deep Recommender Systems: A Survey
City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本综述针对推荐领域多任务学习研究的空白，梳理多任务深度推荐系统的定义、分类、应用与挑战，为该领域提供系统总结。
2026-09-04 cs.IR
A survey of food recommenders
每个人都吃。然而，人们并不总是知道该吃什么。他们需要一点帮助和灵感。因此，许多应用程序、服务和程序都围绕食物开发了广告。这些包括食物，膳食，食谱和餐厅推荐，这是最常见的用例，但也包括其他领域，如替代成分，菜单和饮食。后者在健康和保健领域尤其重要，因为用户有更具体的饮食需求和目标。在本调查中，我们回顾了食品推荐文献。我们涵盖了系统的类型，包括它们的目标和它们推荐的内容，它们用于训练模型的数据集和信号，使用的技术方法和模型类型，以及一些系统约束。
2018-09-15 cs.CY cs.IR
A Comprehensive Survey on Self-Supervised Learning for Recommendation
The University of Hong Kong（香港大学）
本文综述了推荐系统中自监督学习的多种方法，分析了对比学习、生成学习和对抗学习等范式，以提升推荐系统的性能。
2025-12-13 cs.AI cs.IR
Pre-train, Prompt and Recommendation: A Comprehensive Survey of Language Modelling Paradigm Adaptations in Recommender Systems
本文全面综述了预训练语言模型范式在推荐系统中的适应，提出基于训练策略与目标的分类法，分析了范式与输入数据类型的联系，并探讨了未来研究方向。
2023-09-12 cs.IR
Causal Learning for Trustworthy Recommender Systems: A Survey
本文综述因果学习如何增强可信推荐系统，梳理CTRS流程、各阶段可信性挑战、因果解决方案与方法分类，并展望未来方向。
2025-02-18 cs.IR
Recent Advances and Trends in Research Paper Recommender Systems: A Comprehensive Survey
University of the Basque Country UPV/EHU（巴斯克大学）
本文综述了2021年至2024年间科研论文推荐系统的研究进展，分析了其技术、数据集、评估方法及挑战，旨在为研究者提供决策支持和未来研究方向指导。
2026-09-09 cs.DL cs.IR
Recommender Systems with Random Walks: A Survey
SUNY at Buffalo（纽约州立大学布法罗分校）
推荐引擎已经成为当今电子商务系统中不可或缺的组成部分。从在亚马逊推荐书籍，到在Facebook等社交网络中寻找朋友，它们已经变得无所不在。一般来说，推荐系统可以分为两大类：基于内容的模型和基于协同过滤的模型。这两种模型都在用户和项目之间建立关系，以提供推荐。基于内容的系统通过利用从上下文中提取的特征来实现这一任务，而协作系统使用用户项目子集之间的共享兴趣。还有另一种相对未开发的方法用于提供推荐，该方法利用称为随机游走的随机过程。这项研究是一项调查，探索随机游走在推荐系统中的使用情况，并试图对它们进行分类。
2017-11-11 cs.AI cs.IR cs.SI
A Survey on Session-based Recommender Systems
在信息过载和数字化经济时代，推荐系统（RS）在信息消费、服务和决策方面发挥着越来越重要的作用。近年来，基于会话的推荐系统（SBRSs）作为一种新的推荐系统出现。与基于内容的RS和基于协作过滤的RS等通常对长期但静态的用户偏好进行建模的RS不同，SBRS旨在捕获短期但动态的用户偏好，以提供对其会话上下文的演变敏感的更及时和准确的推荐。虽然SBRS已被深入研究，既没有统一的SBRS的问题陈述，也没有SBRS的特点和挑战的深入阐述。目前还不清楚SBRS的挑战在多大程度上得到了解决，以及SBRS的整体研究前景如何。对SBRS的全面审查通过深入探讨SBRS实体（例如，会话），行为（例如，用户对项目的点击）及其属性（例如，会话长度）。我们提出了SBRS的一般问题陈述，总结了SBRS的多样化的数据特征和挑战，并定义了一个分类法来分类SBRS的代表性研究。最后，我们讨论了在这个令人兴奋和充满活力的领域新的研究机会。
2021-05-15 cs.IR
Supervised Advantage Actor-Critic for Recommender Systems
Shandong University（山东大学）；Google Research（谷歌研究院）；Telefonica Research（西班牙电信研究院）；University of Glasgow（格拉斯哥大学）
将基于会话的推荐或顺序推荐转化为基于奖励信号的强化学习（RL），是实现累积收益最大化的推荐系统（RS）的一个很有前途的研究方向。然而，在RS设置中直接使用RL算法是不切实际的，这是由于诸如偏离策略训练、巨大的动作空间和缺乏足够的奖励信号等挑战。最近的RS RL方法试图通过结合RL和（自）监督顺序学习来解决这些挑战，但仍然受到某些限制。例如，由于缺乏负奖励信号，Q值的估计往往偏向正值。此外，Q值还严重依赖于序列的特定时间戳。为了解决上述问题，我们提出了负采样策略来训练RL组件，并将其与监督顺序学习相结合。我们称这种方法为监督负Q学习（SNQN）。基于采样的（消极的）动作（项目），我们可以计算出积极动作相对于平均情况的“优势”，这可以进一步用作学习监督序列部分的归一化权重。这导致了另一个学习框架：监督优势演员-评论家（SA 2C）。我们用四个最先进的顺序推荐模型实例化SNQN和SA 2C，并在两个真实数据集上进行实验。实验结果表明，所提出的方法取得了显着更好的性能比国家的最先进的监督方法和现有的自我监督强化学习方法。代码将是开源的。
2021-11-05 cs.IR cs.LG
Causal Inference in Recommender Systems: A Survey of Strategies for Bias Mitigation, Explanation, and Generalization
在信息过载的时代，推荐系统（RS）已经成为在线服务平台不可或缺的一部分。传统的RS估计用户的兴趣，并预测他们的未来行为，利用相关性的观察历史活动，他们的配置文件，和内容的互动项目。然而，由于没有考虑导致观察到的用户行为的内在因果原因，因此在生成的推荐中可能存在多种类型的偏差。此外，驱动用户活动的因果动机通常纠缠在这些RS中，无法保证推荐的可解释性和泛化能力。为了解决这些缺点，近年来，人们对利用因果推理技术增强传统RS的兴趣激增。在这项调查中，我们提供了一个系统的概述因果RS，并帮助读者获得这个有前途的领域的全面了解。我们从传统推理系统的基本概念出发，分析了传统推理系统由于缺乏因果推理能力而存在的局限性。然后，我们将讨论如何引入不同的因果推理技术来解决这些挑战，重点是去偏置，可解释性促进和泛化改进。此外，我们深入分析了因果RS的各种评估策略，特别是侧重于如何可靠地估计其性能与偏见的数据，如果利益的因果效应不可用。最后，我们为未来因果RS研究的潜在方向提供了见解。
2023-01-03 cs.IR
Multi-Behavior Recommender Systems: A Survey
Kim Jaechul Graduate School of AI, KAIST（金在哲人工智能研究生院（韩国科学技术院））；School of Software, Soongsil University（崇实大学软件学院）
本文综述了利用多种用户行为提升推荐质量的多行为推荐系统，围绕数据建模、编码和训练三个关键步骤对现有方法进行系统分类，并展望未来研究方向。
2025-03-10 cs.AI cs.IR
Self-Supervised Hypergraph Transformer for Recommender Systems
University of Hong Kong（香港大学）；Brandeis University（布兰迪斯大学）
图神经网络（GNNs）已被证明是有前途的解决方案，协同过滤（CF）与用户项交互图的建模。现有的基于GNN的推荐系统的关键思想是递归地执行沿着用户-项目交互边的消息传递以细化编码嵌入。然而，尽管它们的有效性，大多数当前的推荐模型依赖于足够的和高质量的训练数据，使得学习的表示可以很好地捕捉准确的用户偏好。在许多实际的推荐场景中，用户行为数据通常是有噪声的，并且呈现出偏态分布，这可能导致基于GNN的模型的次优表示性能。在本文中，我们提出了SHT，一个新的自监督超图Transformer框架（SHT），它通过显式地探索全局协作关系来增强用户表示。具体来说，我们首先授权图神经CF范式，以保持用户和项目之间的超图Transformer网络的全局协作效果。利用提取的全局上下文，提出了一种跨视图生成自监督学习组件，用于在用户-项目交互图上进行数据增强，以增强推荐系统的鲁棒性.大量的实验表明，SHT可以显着提高性能超过各种国家的最先进的基线。进一步的消融研究表明，我们的SHT推荐框架在缓解数据稀疏性和噪声问题方面具有卓越的表示能力。源代码和评估数据集可在https://github.com/akaxlh/SHT上获得。
2022-07-28 cs.AI cs.IR
Reinforcement learning based recommender systems: A survey
推荐系统（RS）已经成为我们日常生活中不可分割的一部分。他们帮助我们找到我们最喜欢的项目购买，我们的朋友在社交网络，和我们最喜欢的电影看。传统上，推荐问题被认为是一个分类或预测问题，但它现在被广泛认为，制定它作为一个顺序决策问题，可以更好地反映用户-系统的交互。因此，它可以被公式化为马尔可夫决策过程（MDP），并解决了强化学习（RL）算法。与传统的推荐方法（包括协同过滤和基于内容的过滤）不同，RL能够处理连续的、动态的用户-系统交互，并考虑到长期的用户参与。虽然使用RL进行推荐的想法并不新鲜，并且已经存在了大约二十年，但它并不是很实用，主要是因为传统RL算法的可扩展性问题。然而，自从引入深度强化学习（DRL）以来，该领域出现了一个新的趋势，这使得将RL应用于具有大状态和动作空间的推荐问题成为可能。本文综述了基于强化学习的推荐系统。我们的目的是提出一个展望该领域，并为读者提供一个相当完整的知识领域的关键概念。我们首先认识到，并说明RLRS一般可以分为RL和DRL为基础的方法。然后，我们提出了一个RLRS框架，包括四个组件，即，状态表示、策略优化、奖励制定和环境构建，并相应地调查RLRS算法。我们强调新兴的主题，并使用各种图表描绘重要的趋势。最后，我们讨论了未来可以解决的重要方面和挑战。
2022-06-08 cs.IR
Graph Neural Networks in Recommender Systems: A Survey
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
随着在线信息的爆炸式增长，推荐系统在缓解这种信息过载方面发挥着关键作用。由于推荐系统具有重要的应用价值，一直以来，这一领域的研究工作层出不穷。在推荐系统中，主要的挑战是学习有效的用户/项目表示从他们的互动和边信息（如果有的话）。近年来，图神经网络（GNN）技术已被广泛应用于推荐系统中，因为大多数的信息本质上是图结构和GNN在图表示学习的优势。本文的目的是提供一个全面的审查最近的研究工作，基于GNN的推荐系统。具体来说，我们根据所使用的信息和推荐任务的类型提供了基于GNN的推荐模型的分类。此外，我们系统地分析了在不同类型的数据上应用GNN的挑战，并讨论了该领域现有的工作如何应对这些挑战。此外，我们陈述了有关这一领域发展的新观点。我们在https://github.com/wusw14/GNN-in-RS中收集了代表性论文及其开源实现。
2022-04-02 cs.IR cs.LG
A Survey on Fairness-aware Recommender Systems
Tianjin University（天津大学）；Monash University（莫纳什大学）；Nantong University（南通大学）；RMIT University（皇家墨尔本理工大学）；Griffith University（格里菲斯大学）
本文综述公平性感知推荐系统，梳理不同场景下的公平性概念、方法、数据集、指标、工业应用及与可信性原则的联系，并指出未来研究方向。
2023-06-01 cs.AI cs.IR
Digital Nudging with Recommender Systems: Survey and Future Directions
推荐系统如今是我们在线用户体验中普遍存在的一部分，它们要么充当信息过滤器，要么为我们提供额外相关内容的建议。因此，这些系统会影响我们容易访问哪些信息，从而通过对所呈现内容的自动选择和排名来影响我们的决策过程。因此，自动推荐可以被视为数字推动，因为它们决定了用户选择架构的不同方面。在这项工作中，我们研究了数字轻推和推荐系统之间的关系，主题，到目前为止，大多是孤立的研究。通过系统的文献检索，我们首先确定了87轻推机制，我们在一个新的分类法进行分类。随后的分析表明，只有一小部分，这些轻推机制，以前调查的背景下，推荐系统。这表明，有一个巨大的潜力，开发未来的推荐系统，利用数字轻推的力量，以影响用户的决策。因此，在这项工作中，我们概述了潜在的方法，将推动机制到推荐系统。
2021-01-13 cs.HC cs.IR
Recommender Systems for the Internet of Things: A Survey
The University of New South Wales（新南威尔士大学）；University of Technology, Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）
该建议代表了开发和促进物联网（IoT）利益的重要阶段。传统的推荐系统无法利用不断增长的、动态的和异构的物联网数据。本文全面回顾了最先进的推荐系统，以及相关技术和应用在充满活力的物联网领域。我们讨论了将推荐系统应用于物联网的几个局限性，并提出了一个参考框架，用于比较现有的研究，以指导未来的研究和实践。
2020-07-14 cs.IR cs.LG stat.ML
Tag-Aware Recommender Systems: A State-of-the-art Survey
在过去的十年中，社会标签系统已经吸引了越来越多的关注，从物理和计算机科学社区。除了标签系统的底层结构和动态性之外，人们还致力于统一标签信息，以揭示用户行为和偏好，提取项目之间的潜在语义关系，进行推荐等。本文综述了标签感知推荐系统的最新进展，着重介绍了三种主流的观点和方法：基于网络的方法、基于张量的方法和基于主题的方法。最后，我们概述了其他一些标签相关的工作和标签感知推荐算法的未来挑战。
2012-02-27 cs.IR cs.SI
Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
Amazon（亚马逊）；The Ohio State University（俄亥俄州立大学）；École de Technologie Supérieure（高等技术学院）；University of Minnesota（明尼苏达大学）
基于最近邻的协作推荐方法由于其简单性、效率以及产生准确和个性化推荐的能力而在今天仍然非常流行。本章提供了一个全面的调查，基于邻域的方法的项目推荐问题。它提出了这样的方法的主要特点和好处，描述了关键的设计选择实现一个基于邻居的推荐系统，并给出了实际的信息，如何使这些选择。本章涵盖了广泛的方法，包括k-最近邻等传统算法以及基于矩阵分解、稀疏编码和随机游走的高级方法。
2021-09-09 cs.IR cs.LG
A Survey Paper on Recommender Systems
Concordia University（康考迪亚大学）；Ecole Polytechnique（巴黎综合理工学院）
推荐系统应用数据采掘技术和预测算法来预测用户对大量可用项目中的信息、产品和服务的兴趣。互联网上信息的大量增长以及网站访问者的数量给推荐系统增加了一些关键挑战。这些是：产生准确的建议，有效地处理许多建议，并应对系统中参与者数量的巨大增长。因此，需要新的推荐系统技术，可以快速产生高质量的建议，即使是巨大的数据集。为了解决这些问题，我们已经探索了几种协同过滤技术，如基于项目的方法，它确定项目之间的关系，并间接计算这些关系的基础上为用户的建议。基于用户的方法也进行了研究，它确定相似的口味之间的关系，并计算这些关系的基础上的推荐。在本文中，我们介绍了推荐系统的主题。它为评价推荐系统的效率、可扩展性和准确性提供了方法。本文还分析了基于用户和基于项目的推荐生成技术的不同算法。此外，一个简单的实验进行了使用数据采掘应用程序-Weka-应用数据采掘算法的推荐系统。最后，我们提出我们的方法，可能会提高推荐系统的质量。
2010-12-24 cs.IR cs.LG
A Connection-Centric Survey of Recommender Systems Research
推荐系统试图通过基于用户偏好从通用集合中选择项目的子集来减少信息过载并留住客户。虽然推荐系统的研究是从信息检索和过滤中发展起来的，但这个主题已经稳步发展成为一个合法而具有挑战性的研究领域。推荐系统传统上是从基于内容的过滤与协同设计的角度来研究的。然而，建议不是在真空中提出的，而是在非正式的用户社区和社会环境中提出的。因此，所有的推荐系统最终都是建立在人与人之间的联系上的，因此应该从这样一个角度来审视。这个观点在推荐系统的文献中被低估了。因此，我们采取连接导向的观点对推荐系统的研究。我们认为，推荐有一个固有的社会元素，并最终旨在连接人直接作为明确的用户建模的结果，或间接通过发现隐含在现有数据中的关系。因此，推荐系统的特征在于它们如何对用户进行建模以将人们聚集在一起：显式或隐式。最后，用户建模和以连接为中心的观点提出了更广泛的社会问题-例如评估，定位，隐私和信任-我们也简要地解决了这些问题。
2003-07-30 cs.HC cs.IR
A Survey of Recommender System Techniques and the Ecommerce Domain
Pioneer Alpha（先锋阿尔法）
在这个大数据时代，当代人很难从在线平台中包含的大量数据中找到正确的数据。在这种情况下，需要一个信息过滤系统，可以帮助他们找到他们正在寻找的信息。近年来，出现了一个被称为推荐系统的研究领域。推荐器已经变得很重要，因为它们有许多实际应用。本文综述了电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域中推荐系统的不同技术和发展。通过分析这一主题的最新工作，我们将能够提供一个详细的概述，目前的发展，并确定现有的困难，在推荐系统。最后的结果给从业者和研究人员必要的指导和见解的推荐系统及其应用。
2023-02-21 cs.AI cs.IR
Multi-Objective Recommender Systems: Survey and Challenges
University of Klagenfurt（克拉根福大学）
推荐系统可以被描述为软件解决方案，为用户提供方便地访问相关内容。传统上，推荐系统的研究主要集中在开发机器学习算法，旨在预测哪些内容是相关的个人用户。然而，在现实世界的应用中，在许多情况下，优化这种相关性预测的准确性作为单个目标是不够的。相反，多个和经常竞争的目标必须考虑，导致需要更多的研究在多目标推荐系统。我们可以区分几种类型的这样的竞争目标，包括（i）在个体和聚合级别的竞争推荐质量目标，（ii）不同涉及的利益相关者的竞争目标，（iii）长期与短期目标，（iv）在用户界面级别的目标，以及（v）系统级别的目标。在本文中，我们回顾了这些类型的多目标推荐设置，并概述了在这一领域的公开挑战。
2022-10-19 cs.IR cs.LG
Whom do Explanations Serve? A Systematic Literature Survey of User Characteristics in Explainable Recommender Systems Evaluation
University of Zurich（苏黎世大学）；Dublin City University（都柏林城市大学）
本文调查了124篇在用户研究中评估推荐系统解释的论文，发现当前研究主要涵盖特定用户，缺乏代表性，且数据报告存在不一致性，建议采取行动迈向更具包容性和可重复性的评估。
2025-02-03 cs.AI cs.HC cs.IR
A Survey on User Behavior Modeling in Recommender Systems
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Shanghai Jiao Tong University（上海交通大学）
用户行为建模（UBM）在用户兴趣学习中起着关键作用，在推荐系统中得到了广泛的应用。用户和项目之间的关键交互模式已经被利用，这在许多推荐任务中带来了引人注目的改进。在本文中，我们试图提供一个彻底的调查这一研究课题。本文首先回顾了UBM的研究背景。然后，我们提供了一个系统的分类现有的UBM的研究工作，可以分为四个不同的方向，包括常规UBM，长序列UBM，多类型UBM，和UBM与边信息。在每一个方向，代表性的模型和他们的优点和缺点进行了全面的讨论。此外，我们详细介绍了UBM方法的工业实践，希望为现有UBM解决方案的应用价值提供见解。最后，对本研究进行了总结，并对该领域的发展前景进行了展望.
2023-02-22 cs.IR cs.LG
