37篇近年来推荐系统分类综述大全，不看后悔，收藏为先！
我：想知道一门技术需要什么技能，读论文就能总结出来
你们：收藏=学会 收藏夹吃灰去吧！
一周一度的推荐论文来了！先看一下本次推荐系统综述分类目录：
美学，个性化，时尚
深度学习
随机游走、图神经网络、知识图谱
side information
冷启动
强化学习
迁移学习、预训练
bias、debias
细分领域推荐系统
1.对话推荐系统 2.paper推荐系统 3.新闻推荐系统 4.IOT推荐系统 5.旅游推荐系统 6.音乐推荐系统 7.社区中的专家推荐 8.食物推荐系统
隐私
可信任（包括对抗推荐系统）
可解释性
分布式、并行
社交网络
其他
详细介绍：
美学，个性化，时尚
Aesthetics, Personalization and Recommendation: A survey on Deep Learning in Fashion
作者：Wei Gong, Laila Khalid
简介：
使用深度学习技术并将其与计算机视觉技术相结合，您可以通过利用受脑启发的深度网络、参与神经美学、使用 GAN 并训练它们、使用非结构化数据以及注入 Transformer 架构来实现这一点。可以触及时尚领域。这完全是关于设计一个系统，该系统可以告诉我们有关时尚方面的信息，可以在不断增长的需求中派上用场。个性化是影响客户支出选择的一个重要因素。该调查还展示了一些非凡的方法，这些方法深入探讨了如何将视觉数据解释并利用到不同的模型和方法中，从而侵犯了实现这一目标的主题。审美在服装推荐中起着至关重要的作用，因为用户的决定很大程度上取决于服装是否符合他们的审美，而传统的图像特征不能直接描述这一点。为此，该调查还重点介绍了张量分解模型、条件随机场模型等卓越模型，以满足将美学视为服装推荐中重要因素的需求。
论文：https://arxiv.org/pdf/2101.08301.pdf
A Survey on Personality-Aware Recommendation Systems
作者：Sahraoui Dhelim, Nyothiri Aung, Mohammed Amine Bouras, Huansheng Ning, Erik Cambria
简介：
个性计算作为与人工智能和个性心理学相关的新研究领域的出现，个性感知推荐系统有了空前普及。与传统的推荐系统不同，这些新系统解决了冷启动和数据稀疏问题等传统问题。本次调查旨在研究和系统地对个性感知推荐系统进行分类。这项调查是第一个关注个性感知推荐系统的调查。通过比较个性建模方法和推荐技术，探索个性感知推荐系统的不同设计选择。
论文：https://arxiv.org/pdf/2101.12153.pdf
A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
作者：Md. Ashraful Islam, Mir Mahathir Mohammad, Sarkar Snigdha Sarathi Das, Mohammed Eunus Ali
简介：
基于位置的社交网络 (LBSN) 使用户能够通过分享他们的签到、意见、照片和评论来与朋友和熟人进行社交。LBSN 产生的大量数据开辟了一条新的研究途径，催生了推荐系统的一个新子领域，即兴趣点 (POI) 推荐。
POI 推荐技术本质上是利用用户的历史签到和其他多模态信息（如 POI 属性和友谊网络）来推荐下一组适合用户的 POI。大量早期工作通过使用数据集中的手工制作特征专注于传统机器学习技术。随着最近深度学习研究的激增，有了大量利用不同深度学习范式的 POI 推荐作品。
这些技术在问题表述、提议的技术、使用的数据集和特征等方面差异很大。据我们所知，这项工作是对所有主要基于深度学习的 POI 推荐工作的首次全面调查。我们的工作基于不同的深度学习范式和其他相关特征，对最近的 POI 推荐作品进行了分类和批判性分析。
论文：https://arxiv.org/pdf/2011.10187.pdf
A Survey of Point-of-interest Recommendation in Location-based Social Networks
作者：Shenglin Zhao, Irwin King, Michael R. Lyu
简介：
随着基于位置的社交网络 (LBSN) 的流行，为用户推荐新地点的兴趣点 (POI) 推荐出现了。由于LBSN中POI推荐的重要性，它引起了学术界和工业界的极大兴趣。在本文中，我们对该领域进行了系统回顾，总结了个人努力的贡献并探讨了它们之间的关系。与传统推荐问题（例如电影推荐）相比，我们讨论了POI推荐中的新属性和挑战。
然后，我们从三个方面进行了全面回顾：POI推荐的影响因素、POI推荐所采用的方法以及POI推荐中的不同任务。
具体来说，我们提出了三个分类法来对POI推荐系统进行分类。
第一，我们根据影响因素签到特征对系统进行分类，包括地理信息、社会关系、时间影响和内容指示。
其次，我们按方法对系统进行分类，包括通过融合方法和联合方法建模的系统。
第三，我们根据推荐任务中的细微差别是否偏向于最近签到，将系统分为一般POI推荐和连续POI推荐。对于每个类别，我们总结了贡献和系统特性，并突出了代表性工作。
此外，我们讨论了可用的数据集和流行的指标。
最后，我们指出了该领域未来可能的发展方向并总结了本次调查。
论文：https://arxiv.org/pdf/1607.00647.pdf
深度学习
Deep Learning based Recommender System: A Survey and New Perspectives
作者：Shuai Zhang, Lina Yao, Aixin Sun, Yi Tay
简介：
随着在线信息量的不断增长，推荐系统已成为克服这种信息过载的有效策略。鉴于推荐系统在许多Web应用程序中的广泛采用，以及它对改善与过度选择相关的许多问题的潜在影响，推荐系统的效用怎么强调都不为过。
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，这不仅是由于其出色的性能，还在于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。本文旨在全面回顾基于深度学习的推荐系统的最新研究成果。更具体地说，我们提供并设计了基于深度学习的推荐模型的分类，同时提供了对最新技术的全面总结。最后，我们扩展了当前的趋势，并提供了有关该领域这一令人兴奋的新发展的新观点。
论文：https://arxiv.org/pdf/1707.07435.pdf
Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations
作者：Hui Fang, Danning Zhang, Yiheng Shu, Guibing Guo
简介：
在序列推荐领域，基于深度学习（DL）的方法在过去几年受到了很多关注，并超越了基于马尔可夫链和基于分解的传统模型。然而，关于基于DL的方法的系统研究很少，特别是关于如何设计有效的DL模型进行顺序推荐。
从这个角度来看，本次调查通过考虑上述问题，重点关注基于DL的顺序推荐系统。具体来说，我们阐述了顺序推荐的概念，根据三种行为序列对现有算法进行了分类，总结了影响基于深度学习的模型性能的关键因素，并进行了相应的评估以证明这些因素的影响。
论文：https://arxiv.org/pdf/1905.01997.pdf
随机游走、图神经网络、知识图谱
Recommender Systems with Random Walks: A Survey
作者：Laknath Semage
简介：
推荐引擎已成为当今电子商务系统中不可或缺的组成部分。
通常，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可用上下文中提取的特征来完成此任务，而协作系统则使用用户-项目子集之间的共享兴趣。
还有另一种相对未开发的方法来提供建议，该方法利用名为随机游走的随机过程。这项研究是一项调查，探索推荐系统中随机游走的用例，并尝试对它们进行分类。
论文:https://arxiv.org/pdf/1711.04101.pdf
Graph Neural Networks in Recommender Systems: A Survey
作者：Shiwen Wu, Fei Sun, Wentao Zhang, Bin Cui
简介：
由于GNN在学习图数据方面的优势及其在捕获协作信号和序列模式方面的功效，在推荐系统中使用GNN技术在学术界和工业界越来越受到关注。在本次调查中，我们全面回顾了基于GNN的推荐系统的最新工作。
我们提出了一种用于组织现有作品的分类方案。对于每个类别，我们简要阐明主要问题，并详细说明代表性模型所采用的相应策略。我们还讨论了现有策略的优点和局限性。
此外，我们为未来的研究提出了几个有希望的方向。我们希望本次调查能让读者对该领域的最新进展有一个大致的了解，并对未来的发展有所了解。
论文：https://arxiv.org/pdf/2011.02260.pdf
Graph Learning Approaches to Recommender Systems: A Review
作者：Shoujin Wang, Liang Hu, Yan Wang, Xiangnan He, Quan Z. Sheng, Mehmet Orgun, Longbing Cao, Nan Wang, Francesco Ricci, Philip S. Yu
简介：
近年来见证了基于图学习的推荐系统（GLRS）这一新兴话题的快速发展。GLRS 主要采用先进的图学习方法为推荐系统 (RS) 对用户的偏好和意图以及项目的特征和受欢迎程度进行建模。
随着图学习的快速发展，探索和利用图中的同构或异构关系是构建高级RS的一个很有前途的方向。在本文中，我们对GLRS进行了系统回顾，介绍了它们如何从图形中获取知识以提高准确性，建议的可靠性和可解释性。
首先，我们对GLRS进行表征和形式化，然后总结和分类这一新研究领域的主要挑战。然后，我们调查了该地区最近和重要的发展。最后，我们分享了这个充满活力的领域的一些新研究方向。
论文：https://arxiv.org/ftp/arxiv/papers/2004/2004.11718.pdf
A Survey on Knowledge Graph-Based Recommender Systems
作者：Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, Hui Xiong, Qing He
简介：
为了解决信息爆炸问题并增强各种在线应用程序中的用户体验，已经开发了推荐系统来对用户偏好进行建模。尽管已经为更个性化的推荐做出了许多努力，但推荐系统仍然面临一些挑战，例如数据稀疏性和冷启动。
近年来，使用知识图作为辅助信息生成推荐引起了相当大的兴趣。这种方法不仅可以缓解上述问题以获得更准确的推荐，还可以为推荐项目提供解释。
在本文中，我们对基于知识图谱的推荐系统进行了系统的调查。我们收集了该领域最近发表的论文，并从两个角度进行了总结。一方面，我们通过关注论文如何利用知识图来进行准确和可解释的推荐来研究所提出的算法。另一方面，我们介绍了这些作品中使用的数据集。最后，我们提出了该领域的几个潜在研究方向。
论文：https://arxiv.org/pdf/2003.00911.pdf
Deep Learning on Knowledge Graph for Recommender System: A Survey
作者：Yang Gao, Yi-Fan Li, Yu Lin, Hang Gao, Latifur Khan
简介：
最近的研究进展证明了知识图谱 (KG) 在提供有价值的外部知识以改进推荐系统 (RS) 方面的有效性。知识图谱能够编码连接具有一个或多个相关属性的两个对象的高阶关系。在新兴的图神经网络 (GNN) 的帮助下，可以从KG中提取对象特征和关系，这是成功推荐的重要因素。在本文中，我们对基于GNN的知识感知深度推荐系统进行了全面调查。
论文：https://arxiv.org/pdf/2004.00387.pdf
side information
Research Commentary on Recommendations with Side Information: A Survey and Research Directions
作者：Zhu Sun, Qing Guo, Jie Yang, Hui Fang, Guibing Guo, Jie Zhang, Robin Burke
近几十年来，推荐系统已成为帮助解决信息过载问题的重要工具。然而，传统的推荐系统存在数据稀疏和冷启动问题。为了解决这些问题，已经提出了大量推荐算法来利用用户或项目（例如，社交网络和项目类别）的辅助信息，在提高推荐性能方面表现出高度的有效性。本研究评论旨在对最近关于具有辅助信息的推荐系统的研究进行全面系统的调查。
论文：https://arxiv.org/pdf/1909.12807.pdf
冷启动
Deep Learning to Address Candidate Generation and Cold Start Challenges in Recommender Systems: A Research Survey
作者：Kiran Rama, Pradeep Kumar, Bharat Bhasker
简介：
在商业机器学习应用中，推荐系统在成功和采用方面将占据首位。它们帮助用户加快搜索过程，同时帮助企业实现销售额最大化。在计算机视觉和语音识别领域取得巨大成功后，深度学习方法开始应用于推荐系统。当前关于推荐系统深度学习的调查论文提供了基于类型的推荐系统的历史概述和分类。
我们的论文解决了提供深度学习方法分类的差距，以解决推荐系统中冷启动和候选生成领域的推荐系统问题。
论文：https://arxiv.org/ftp/arxiv/papers/1907/1907.08674.pdf
强化学习
基于强化学习的推荐系统：一项调查
作者：M. Mehdi Afsar, Trafford Crump, Behrouz Far
简介：
推荐系统 (RS) 正在成为我们日常生活中不可分割的一部分。它们帮助我们找到我们最喜欢购买的商品、我们在社交网络上的朋友以及我们最喜欢看的电影。传统上，推荐问题被认为是一个简单的分类或预测问题；然而，推荐问题的顺序性已经被证明。
因此，它可以被表述为马尔可夫决策过程 (MDP)，并且可以采用强化学习 (RL)方法来解决它。事实上，将深度学习与传统 RL 方法相结合的最新进展，即深度强化学习 (DRL)，使得将 RL 应用于具有大量状态和动作空间的推荐问题成为可能。
在本文中，介绍了基于强化学习的推荐系统（RLRS）的调查。
论文：https://arxiv.org/pdf/2101.06286.pdf
迁移学习、预训练
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect
作者：Zheni Zeng, Chaojun Xiao, yuan Yao, Ruobing Xie, Zhiyuan Liu, Fen Lin, Leyu Lin, Maosong Sun
简介：
推荐系统旨在为用户提供物品推荐，在现实场景中通常面临数据稀疏问题（例如，冷启动）。最近，预训练模型在域和任务之间的知识转移方面显示了它们的有效性，这可能会缓解推荐系统中的数据稀疏问题。在本次调查中，我们首先回顾了具有预训练的推荐系统。此外，我们通过实验展示了对推荐系统进行预训练的好处。最后，我们讨论了具有预训练的推荐系统未来研究的几个有前途的方向。
论文：https://arxiv.org/pdf/2009.09226.pdf
bias、debias
Bias and Debias in Recommender System: A Survey and Future Directions
作者：Jiawei Chen, Hande Dong, Xiang Wang, Fuli Feng, Meng Wang, Xiangnan He
简介：
在审查考虑RS中的偏见的论文时，我们发现，令我们惊讶的是，这些研究相当分散，缺乏系统的组织。术语“偏见”在文献中被广泛使用，但其定义通常含糊不清，甚至跨论文不一致。这促使我们对现有的RS偏差工作进行系统调查。
在本文中，我们首先总结了推荐中的七种偏见，以及它们的定义和特征。然后，我们提供了一个分类法来定位和组织关于推荐去偏差的现有工作。最后，我们确定了一些开放的挑战并设想了一些未来的方向，希望能激发更多关于这个重要但研究较少的主题的研究工作。
论文：https://arxiv.org/pdf/2010.03240.pdf
细分领域推荐系统
1.对话推荐系统
Advances and Challenges in Conversational Recommender Systems: A Survey
作者：Chongming Gao, Wenqiang Lei, Xiangnan He, Maarten de Rijke, Tat-Seng Chua
简介：
已经在开发 CRS 方面投入了相当大的努力，分布在不同的环境和应用程序中。现有的 CRS 模型、技术和评估方法还远未成熟。在本文中，我们对当前 CRS 中使用的技术进行了系统回顾。
我们从五个方向总结了开发 CRS 的主要挑战：（1）基于问题的用户偏好获取。(2)多轮对话推荐策略。(3)对话理解与生成。(4) 开发-勘探权衡。(5) 评价和用户模拟。这些研究方向涉及信息检索（IR）、自然语言处理（NLP）、人机交互（HCI）等多个研究领域。基于这些研究方向，我们讨论了一些未来的挑战和机遇。
论文：https://arxiv.org/pdf/2101.09459.pdf
A Survey on Conversational Recommender Systems
作者：Dietmar Jannach, Ahtsham Manzoor, Wanling Cai, Li Chen
简介：
对话式推荐系统 (CRS) 采用不同的方法并支持更丰富的交互集。过去几年，人们对 CRS 的兴趣显着增加。这一发展主要归功于自然语言处理领域的重大进展，新的语音控制家庭助理的出现，以及聊天机器人技术的使用增加。
在本文中，我们对现有的对话式推荐方法进行了详细调查。我们在不同的维度对这些方法进行分类，例如，根据支持的用户意图或他们在后台使用的知识。此外，我们讨论了技术方法，回顾了CRS的评估方式，并最终确定了一些值得在未来进行更多研究的差距。
论文：https://arxiv.org/pdf/2004.00646.pdf
2.paper推荐系统
Scientific Paper Recommendation: A Survey
作者：Xiaomei Bai, Mengyang Wang, Ivan Lee, Zhuo Yang, Xiangjie Kong, Feng Xia
简介
推荐服务变得很重要，因为它们支持电子商务应用程序和不同的研究社区。推荐系统在包括经济、教育和科学研究在内的许多领域都有大量应用。不同的实证研究表明，推荐系统在从海量数据中提取有用知识方面比基于关键字的搜索引擎更有效、更可靠。
在本次调查中，我们首先介绍论文推荐系统的重要性和优势。其次，我们回顾了推荐算法和方法，例如基于内容的方法、协作过滤方法、基于图的方法和混合方法。然后，我们介绍了不同推荐系统的评估方法。最后，我们总结了论文推荐系统中的开放问题，包括冷启动、稀疏性、可扩展性、隐私、意外发现和统一的学术数据标准。
论文：https://arxiv.org/pdf/2008.13538.pdf
Real World Evaluation of Approaches to Research Paper Recommendation
Siddharth Dinesh
作者：
Siddharth Dinesh
简介：
在这项工作中，我们确定了为研究论文推荐系统选择基线方法的必要性。在对过去四年中描述的所有研究论文推荐方法进行文献调查之后，我们制定了标准，以形成一套全面的基线。
论文：https://arxiv.org/pdf/1802.06892.pdf
3.新闻推荐系统
A Survey on News Recommender System
作者：Shaina Raza, Chen Ding
简介：
在本文中，我们重点介绍了新闻推荐系统面临的主要挑战。新闻推荐领域，并从最先进的技术中确定可能的解决方案。
由于使用深度学习模型构建推荐系统的快速增长，我们将讨论分为两部分。在第一部分中，我们概述了 NRS 中使用的传统推荐解决方案、数据集、超出准确性的评估标准和推荐平台。在第二部分，我们解释了在 NRS 中应用的基于深度学习的推荐解决方案。
论文：https://arxiv.org/ftp/arxiv/papers/2009/2009.04964.pdf
4.IOT推荐系统
Recommender Systems for the Internet of Things: A Survey
作者：May Altulyan, Lina Yao, Xianzhi Wang, Chaoran Huang, Salil S Kanhere, Quan Z Sheng
简介：
推荐代表了开发和推广物联网 (IoT) 优势的重要阶段。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，以及相关技术和在充满活力的物联网领域的应用。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来比较现有研究以指导未来的研究和实践。
论文：https://arxiv.org/pdf/2007.06758.pdf
5.旅游推荐系统
Recommendation Systems for Tourism Based on Social Networks: A Survey
作者：Alan Menk, Laura Sebastia, Rebeca Ferreira
简介：
推荐系统已经出现在许多日常活动中，例如在线购物、浏览社交网络等。 鉴于通过信息技术重振旅游业的需求不断增长，推荐系统已被纳入Expedia、Booking或Tripadvisor等旅游网站。
本文回顾和分析了许多关于在项目中使用社交网络的旅游推荐系统的研究出版物。我们详细介绍了它们的主要特征，例如利用了哪些社交网络、提取了哪些数据、应用的推荐技术、评估方法等。
论文：https://arxiv.org/pdf/1903.12099.pdf
6.音乐推荐系统
Current Challenges and Visions in Music Recommender Systems Research
作者：Markus Schedl, Hamed Zamani, Ching-Wei Chen, Yashar Deldjoo, Mehdi Elahi
简介：
今天的 MRS 极大地帮助用户在这些庞大的目录中找到有趣的音乐，但 MRS 研究仍然面临着巨大的挑战。尤其是在构建、合并和评估推荐策略时，这些推荐策略将信息整合到简单的用户项目交互或基于内容的描述之外，而是深入挖掘听众需求、偏好和意图的本质，MRS 研究成为大的努力和相关的出版物相当稀少。
这篇趋势和调查文章的目的是双重的。我们首先从学术和行业的角度确定并阐明我们认为 MRS 研究面临的最紧迫的挑战。我们回顾了解决这些挑战的最新技术并讨论了其局限性。
论文：https://arxiv.org/pdf/1710.03208.pdf
Machine Learning Approaches to Hybrid Music Recommender Systems
作者：Andreu Vall, Gerhard Widmer
简介：
音乐推荐系统已成为支持访问在线音乐流服务、在线音乐商店和私人收藏中越来越大的音乐目录的关键技术。用户与大型音乐目录的交互是一个从不同学科研究的复杂现象。
我们调查了研究混合音乐推荐系统（即集成不同推荐技术的系统）的机器学习和数据挖掘方面的工作。我们提出了完全基于数据的混合音乐推荐系统，并且对新音乐项目的所谓“冷启动问题”具有鲁棒性，有利于发现相关但非流行的音乐。
论文：https://arxiv.org/pdf/1807.05858.pdf
7.社区中的专家推荐
A Survey on Expert Recommendation in Community Question Answering
作者：Xianzhi Wang, Chaoran Huang, Lina Yao, Boualem Benatallah, Manqing Dong
简介：
社区问答 (CQA) 表示人们可以通过提问和回答问题来交流知识的 Web 应用程序类型。大多数现实世界的 CQA 系统面临的一个重大挑战是问题与潜在的优秀回答者之间缺乏有效匹配，这对有效的知识获取和流通产生不利影响。
一方面，请求者可能会在短时间内遇到许多低质量的答案而没有收到高质量的响应，另一方面，回答者可能会面临许多新问题而无法快速确定他们感兴趣的问题。在这种情况下，专家推荐成为解决上述问题的一种很有前途的技术。
在本次调查中，我们首先概述了 CQA 专家推荐的研究工作和最先进的技术。我们接下来总结和比较现有方法的优缺点，然后讨论未解决的问题和未来的研究方向。
论文：https://arxiv.org/pdf/1807.05540.pdf
8.食物推荐系统
A SURVEY OF FOOD RECOMMENDERS
作者：Carl Anderson
简介：
许多应用程序、服务和程序围绕食物开发了推荐系统。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，例如替代成分、菜单和饮食。后者在健康和保健领域尤为重要，因为用户有更具体的饮食需求和目标。
在本次调查中，我们回顾了食品推荐文献。我们根据系统的目标和推荐内容、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来介绍系统类型。
论文：https://arxiv.org/pdf/1809.02862.pdf
隐私
Survey of Privacy-Preserving Collaborative Filtering
作者：Islam Elnabarawy, Wei Jiang, Donald C. Wunsch II
简介：
隐私保护的协同过滤推荐系统旨在为用户提供准确的推荐，同时保持对其数据隐私的某些保证。本次调查研究了隐私保护协同过滤方面的最新文献。
论文：https://arxiv.org/pdf/2003.08343.pdf
User’s Privacy in Recommendation Systems Applying Online Social Network Data: A Survey and Taxonomy
作者：Erfan Aghasian, Saurabh Garg, James Montgomery
简介：
推荐系统已成为许多社交网络的组成部分，并从用户的个人和敏感数据中明确地、根据用户的知识和隐式地提取知识。这种趋势造成了重大的隐私问题，因为用户大多不知道正在使用哪些数据、有多少数据以及使用的安全性。
在这种情况下，已经完成了几项工作来解决在线社交网络数据和推荐系统中使用的隐私问题。本文调查了大型在线社交网络和推荐系统中使用的主要隐私问题、测量和隐私保护技术。
论文：https://arxiv.org/pdf/1806.07629.pdf
可信任（包括对抗推荐系统）
SURVEY FOR TRUST-AWARE RECOMMENDER SYSTEMS: A DEEP LEARNING PERSPECTIVE
作者：Manqing Dong, Feng yuan, Lina Yao, Xianzhi Wang, Xiwei Xu, Liming Zhu
简介：
本次调查系统总结了三类信任感知推荐系统：利用用户社交关系的社交感知推荐系统；强大的推荐系统，可以过滤不真实的噪音（例如垃圾邮件发送者和虚假信息）或增强抗攻击性；可解释的推荐系统，提供推荐项目的解释。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。
论文：https://arxiv.org/pdf/2004.03774.pdf
A survey on Adversarial Recommender Systems: from Attack/Defense strategies to Generative Adversarial Networks
作者：Yashar Deldjoo, Tommaso Di Noia, Felice Antonio Merra
简介：
本次调查的目标有两个：（i）展示对抗性机器学习（AML）在RS安全（即攻击和防御推荐模型）方面的最新进展，(ii)展示AML的另一个成功应用生成对抗网络(GAN)用于生成应用，这要归功于它们学习（高维）数据分布的能力。在本次调查中，我们对在主要RS和ML期刊和会议上发表的74篇文章进行了详尽的文献综述。这篇评论可作为RS社区的参考，致力于RS的安全性或使用GAN提高其质量的生成模型。
论文：https://arxiv.org/pdf/2005.10322.pdf
可解释性
Explainable Recommendation: A Survey and New Perspectives
作者：Yongfeng Zhang, Xu Chen
简介：
在本次调查中，我们对可解释推荐研究进行了全面审查。我们首先通过将推荐问题分类为 5W，即什么、何时、谁、何地和为什么，来突出可解释推荐在推荐系统研究中的地位。然后，我们从三个角度对可解释推荐进行了全面调查：
1）我们提供了可解释推荐的时间顺序研究时间表。2）我们提供了一个二维分类法来对现有的可解释推荐研究进行分类。3）我们总结了可解释推荐如何应用于不同的推荐任务。我们还专门用一章来讨论更广泛的IR和AI/ML研究中的解释观点。
论文：https://arxiv.org/ftp/arxiv/papers/1804/1804.11192.pdf
分布式、并行
Parallel and Distributed Collaborative Filtering: A Survey
作者：Efthalia Karydi, Konstantinos G. Margaritis
简介：
在实现推荐系统时，协同过滤是最受青睐的技术之一。最近，人们对协同过滤算法的并行和分布式实现产生了极大的兴趣。这项工作是对并行和分布式协同过滤实现的调查，旨在不仅提供对该领域发展的全面介绍，而且还通过突出需要进一步发展的问题来提供未来的研究方向。
论文：https://arxiv.org/pdf/1409.2762.pdf
社交网络
Systems Applications of Social Networks
作者：Changtao Zhong, Nishanth Sastry
简介：
本文的目的是提供对社交网络的理解，作为系统设计人员使用的标准技术工具箱的有用补充。为此，我们举例说明如何在不同的应用程序上下文中收集和使用有关社交链接的数据。
我们对社交网络的常见属性进行了广泛的基于分类的概述，回顾了它们在不同应用程序中的使用方式，并在适当的地方指出了潜在的陷阱。
论文：https://arxiv.org/pdf/1707.05104.pdf
其他
A Survey on Session-based Recommender Systems
作者：Shoujin Wang, Longbing Cao, Yan Wang, Quan Z. Sheng, Mehmet Orgun, Defu Lian
简介：
SBRS 的全面审查通过深入探索 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）来解决上述方面。我们提出了SBRS的一般问题陈述，总结了SBRS的多样化数据特征和挑战，并定义了一个分类法来对具有代表性的SBRS研究进行分类。最后，我们讨论了这个令人兴奋和充满活力的领域的新研究机会，会话长度）。
论文：https://arxiv.org/pdf/1902.04864.pdf
Digital Nudging with Recommender Systems: Survey and Future Directions
作者：Mathias Jesse, Dietmar Jannach
简介：
通过系统的文献搜索，我们首先确定了87种轻推机制，我们将其归类为一个新的分类法。随后的分析表明，之前在推荐系统的背景下只研究了这些轻推机制的一小部分。这表明开发未来的推荐系统具有巨大的潜力，这些系统利用数字轻推的力量来影响用户的决策。因此，在这项工作中，我们概述了将微调机制集成到推荐系统中的潜在方法。
论文：https://arxiv.org/pdf/2011.03413.pdf
Simple Surveys: Response Retrieval Inspired by Recommendation Systems
作者：Nandana Sengupta, Nati Srebro, James Evans
简介：
本文介绍了社会科学应用的简单调查。我们进行了实验，使用四种类型的简单调查来比较个人和综合比较评估的预测准确性：在三个不同背景下的2、5和连续点量表上的成对比较和评级：谷歌街景图像的感知安全性，艺术品的可爱程度和动物GIF的欢闹程度。在各种情况下，我们发现连续量表评分最能预测个人评估，但消耗最多的时间和认知努力。
论文：https://arxiv.org/ftp/arxiv/papers/1901/1901.09659.pdf
本文部分内容借鉴自：https://zhuanlan.zhihu.com/p/350759028
如有错漏欢迎指正！
关注学姐，帮你分类总结更多的论文！省力省时间！
