44、基于协同过滤的推荐系统综述

基于协同过滤的推荐系统综述

1. 引言

如今，物联网、射频识别和其他传感器每天都会产生大量数据。为了处理这些海量数据并进行推荐，大数据技术应运而生。大数据指的是传统数据库方法无法处理的大量数据，其信息可以是显式的（如评论、标签和评分）或隐式的（如博客、维基和社区）。为了提高可扩展性，大数据与推荐系统相结合。

推荐系统框架的输入数据包括用户档案（年龄、性别、地理区域、总资产）、物品信息、用户交互（浏览、书签、标记、评分、保存、消息等）和上下文（物品存放位置），输出则是预测评分。协同过滤（CF）是与基于内容和基于知识的方法一起最广泛使用的推荐技术。

像亚马逊这样的电子商务网站会跟踪每个客户的行为，当用户登录网站时，会利用记录的信息推荐客户可能喜欢的商品。一些在线演出票务机构会查看客户之前观看演出的历史，并提醒他们即将到来的可能感兴趣的演出。Reddit.com 允许用户对其他网站的链接进行投票，然后利用这些投票推荐其他可能有趣的链接。基于物品的协同过滤有众多应用，如在线购物商品推荐、书籍推荐、音乐查找、精彩网站推荐、电影推荐、电子商务、商业领域应用和网络搜索等。

推荐系统的发展催生了混合方法，这些方法融合了不同的程序以获得各自的优势。本文讨论了提高推荐系统准确性的不同方法，重点是通过融合用户和物品的空间属性以及用户给出的评论来构建混合推荐系统。通过推荐特定区域或位置的物品，推荐系统的精度可能会提高，同时利用用户的所有评论实现个性化推荐。这种混合方法有望比传统的协同过滤技术为用户推荐更感兴趣的物品。

2. 推荐系统概述

推荐系统的根源可以追溯到集体智能的广泛研究。它在 20 世纪 90 年代出现，当时的推荐是基于评分结构提