【《推流算法研究现状文献综述》2500字】

推荐算法研究现状文献综述推荐系统的概念早在上个世纪90年代中期被首次提出，推荐系统成为一个独立的研究领域。人们对于推荐系统的兴趣不断提升，众多的研究者们不断的投入到推荐系统的研究中去。推荐系统中的核心计算部分，即通过数据产生推荐结果的部分，被称之为推荐算法。推荐算法就是通过用户以及群体的行为数据、产品特征、以及先验知识等数据，推测出用户可能喜欢的东西。如图1-1所示通过输入用户数据、产品特征、以及先验知识，推荐体系经过数据处理，针对每个用户产生一个推荐列表。图1-1推荐系统的输入与输出推荐算法作为实现推荐系统功能的核心，经过30年来大量学者的研究与完善，产生了种类繁多的推荐算法，可以将目前主流的推荐算法简略的分成两类，基于内容的推荐算法和基于协同过滤的推荐算法。基于内容的推荐算法（Content-basedRecommendations）是考虑用户属性与商品属性相互匹配的推荐算法，是从产品信息（包括文本，图像，音频等）中提取特征，与用户购买过的产品特征进行比较，从而判断应该进行哪些产品的推荐的一种算法。如LuisMartínez提出了一个基于内容的推荐模型，该模型将提供一个更灵活的环境来改进最终的推荐，其中将通过在不同语言术语集中评估的语言变量来对来源提供的偏好进行建模[1]。协同过滤推荐算法最早由Goldberg等人于1992年提出，用于过滤用户的电子邮件[2]。到目前为止，协同过滤算法一直是一种很重要的推荐算法，被广泛应用。协同过滤的推荐算法是主要依靠用户或者产品之间的相似度进行推荐，其又可以细分为如下的三类方法。基于产品的协同过滤：该类方法主要考量产品与产品之间的相似度。通过用户的评分矩阵，计算得到产品与产品之间的相似性矩阵，再根据具体某用户对所有产品的评价进行评分预测，被用户评价过的产品，其类似产品也会被预测出接近的评分。进而将对该用户预测的产品评分中较高评分的产品加入到推荐列表中。亚马逊公司的LindenG等人早在2003年便提出了基于产品的协同过滤推荐算法[3]。基于用户的协同过滤：与基于产品的协同过滤算法相反，此类方法主要考量用户与用户间的相似性，通过用户对产品的评分，构建用户与用户之间的相似性矩阵，进行评分预测，为用户推荐预测评分较高的产品。基于模型的协同过滤：该类算法应用机器学习与数据挖掘算法对现有数据进行建模，使用相应的用户评分等数据进行训练，获取模型参数。推荐时将具体的用户数据传入模型，即可获得结果。如使用决策树模型、神经网络、逻辑回归、知识图谱等模型实现的推荐算法[4-6]。值得注意的是，由于深度学习在计算机视觉、自然语言处理等领域取得了广泛的应用，这同时也为推荐系统的研究带来了新思路。黄立威等人详细的叙述了深度学习在推荐系统中的应用情况[7]。随着越来越多的数据能够被获取并处理，如文本、图像、社交信息等，出现了许多利用额外的用户数据用于推荐的算法，利用这些辅助数据可以缓解协数据稀疏性问题以及冷启动问题。任星怡利用兴趣点的地理、文本、社会、分类与流行度信息，并有效地融合这些因素，提出一种上下文感知的兴趣点推荐算法[8]。孟祥武对基于广义用户轨迹数据的移动推荐系统有待深入研究的难点和发展趋势进行了分析和展望[9]。AliSyedM提出了一种混合模型，该模型利用电影的基因组标签与基于内容的过滤相结合来推荐相似的电影，它使用主成分分析（PCA）和Pearson相关技术来减少冗余且显示低比例差异的标签，从而降低了计算复杂性[10]。虽然基于协同过滤的推荐算法发展火热，但是推荐算法不得不面对数据稀疏问题。由于获取的用户评价数据不足的原因，而造成数据稀疏问题，并且数据不足并非是因为数据收集问题造成的，而是由于人本身对于产品的评价数量就有限。如果基于这种高度稀疏的矩阵计算用户或者产品的相似度，会造成很大的误差，从而导致推荐质量下降。数据稀疏性问题逐渐成为推荐系统的一个挑战。解决数据稀疏性问题，目前主要有两种方式，一种是通过引入更多的辅助信息来弥补用户评分数据不足的问题，但这种方式往往会引入更多的稀疏数据。另一种是对稀疏矩阵按照一定规则进行填充，可以有效的解决数据稀疏问题，但是目前的填充方式较为单一，产生了过多的误差，效果较差。如夏建勋等人提出了三种用户评分矩阵填充的方式。包括了采用加权平均值、众数平均值、中位数平均值填充三种方式[11]。虽然这样的填充方式缓解了稀疏性问题，但也导致了更多的的误差。于波等人提出可以结合项目属性相似性的混合推荐算法，通过同时考量用户间相似度，以及产品间相似度，将两者进行加权，以此来缓解数据稀疏的问题[12]。该方法是一种解决用户数据稀疏问题的方式，但是同时需要计算用户相似度和产品相似度，依靠更多的产品信息来帮助推荐，但当产品信息也是稀疏数据时，该算法也无法产生效果。ChenDE、,FengZ在解决稀疏性问题时使用了神经网络[13-14]，BP神经网络作为一种矩阵填充技术。然而神经网络算法其收敛难度会随着网络层数的增加而加大，同时计算效率也会降低，导致填充效率变慢。参考文献[1]LuisMartínez,LuisG.Pérez,BarrancoMJ.Amultigranularlinguisticcontent-basedrecommendationmodel[J].InternationalJournalofIntelligentSystems,2010,22(5):419-434.[2]GoldbergD,NicholsD,OkiBM,etal.Usingcollaborativefilteringtoweaveaninformationtapestry[J].CommunicationsoftheAcm,1992,35(12):61-70.[3]LindenG,SmithB,YorkJ.LindenG,SmithBandYorkJ:‘Arecommendations:item-to-itemcollaborativefiltering’,InternetComput.IEEE,7[J].IEEEInternetComputing,2003,7(1):76-80.[4]秦川,祝恒书,庄福振,郭庆宇,张琦,张乐,王超,陈恩红,熊辉.基于知识图谱的推荐系统研究综述[J].中国科学:信息科学,2020,50(07):937-956.[5]吴玺煜,陈启买,刘海,贺超波.基于知识图谱表示学习的协同过滤推荐算法[J].计算机工程,2018,44(02):226-232+263.[6]刘晴晴,罗永龙,汪逸飞,郑孝遥,陈文.基于SVD填充的混合推荐算法[J].计算机科学,2019,46(S1):468-472.[7]黄立威,江碧涛,吕守业,刘艳博,李德毅.基于深度学习的推荐系统研究综述[J].计算机学报,2018,41(07):1619-1647.[8]任星怡,宋美娜,宋俊德.基于位置社交网络的上下文感知的兴趣点推荐[J].计算机学报,2017,40(04):824-841.[9]孟祥武,李瑞昌,张玉洁,纪威宇.基于用户轨迹数据的移动推荐系统研究[J].软件学报,2018,29(10):3111-3133.[10]AliSM,NayakDGK,BarikDRK,etal.MovieRecommendationSystemusingGenomeTagsandContent-basedFiltering[C]//InternationalConferenceonDataandInformationSciences.2017.[11]夏建勋,吴非,谢长生.应用数据填充缓解稀疏问题实现个性化推荐[J].计算机工程与科学,2013(5):15-19.[12]于波,陈庚午,王爱玲,等.一种结合项目属性的混合推荐算法[J].计算机系统应用,2017(26):151.[13]ChenDE.TheCollaborativeFilteringRecommendationAlgorithmBasedonBPNeuralNetworks[C]//InternationalSymposiumonIntelligentUbiquitousComputing&Education.IEEE,2009.[14]FengZ.EmployingBPNeuralNetworkstoAlleviatetheSparsityIssueinCo