一、基本信息
论文题目：《Towards the Next Generation of Recommender Systems:A Survey of the State-of-the-Art and Possible Extensions》
发表时间：July 2005,IEEE Transactions on Knowledge and Data Engineering 17(6):734-749
论文作者及单位：Gediminas Adomavicius(University of Minnesota)、Alexander Tuzhilin(NYU)
论文地址：https://ieeexplore.ieee.org/document/1423975
我的评分：5颗星
二、摘要
本篇论文对当前（2005年）推荐系统领域的研究做了梳理，将它们划分为了三大类：基于内容过滤、协同过滤、混合推荐。同时也描述了这些不同方法的局限与不足，并讨论了针对这些局限几种可能的改进。
三、论文的工作
1、将推荐系统方法划分为了三大类：
- Content-based recommendations:基于内容过滤，用户U将被推荐和过去买过的物品I具有相似特点的物品I1
- Collaborative recommendations:协同过滤，用户U将被推荐和他具有相似爱好的用户U1购买过的物品I
- Hybrid approaches:将内容过滤和协同过滤方法结合
2、详细介绍了三种方法的原理与各自的局限
- Content-based Methods:受系统所能从物品中提取的特征数量限制，难以对物品进行详尽的描述；无法区分待推荐物品的优劣；推荐闭环问题，即用户会一直被推荐与已买过的物品相似的物品，难以发现新的特征不同的物品；冷启动中的新用户问题，一个用户必须要有物品的购买记录才能被推荐。
- Collaborative Methods：协同过滤的算法可分为两大类：memory-based（or heuristic-based）和model-based。具有冷启动的新用户和新物品问题，一个用户需要有已购物品的记录才能收到推荐，一样物品只有被人购买过才会被推荐给其他用户；数据稀疏问题，物品种类很多，而用户之间重合购买过的却很少，因此用户间的相似度矩阵维度很高，而有用的信息在其中却只占很小的一部分。
- Hybrid Methods:将内容过滤与协同过滤结合起来的方法可以分为四类：
（1）将两种方法单独实现，将它们预测出的结果进行合并。
（2）将内容过滤中商品的一些特性加入到协同过滤中
（3）将协同过滤中的一些特性加入到内容过滤中
（4）建立一个联合的模型，将两种方法融合在一起
3、提出了7个可以对现有方法改进的方向
- 提高推荐模型对用户和物品的理解，更加深入理解和商品的特征，将用户与商品的特征融入推荐系统
- 对现有基于模型的推荐算法进行扩展，比如将数学近似理论等理论引入推荐算法
- 在推荐过程中引入上下文信息，不仅考虑用户与商品这两个维度的信息，还可以嵌入季节、场所等信息
- 支持用户对物品的多个方面进行评分，比如对餐厅而言可分为食物、服务、环境三个方面分别评分
- 提供对用户更少影响的推荐方法，最小化对用户打扰的同时尽可能提高推荐系统输入信息的有效性。比如原本推荐系统的输入是用户对某物品的评分，可以更改为用户在某商品界面停留的时间
- 提高推荐系统的灵活性，大多数推荐系统采用在用户与物品之间“硬连线”的方法，因此用户不能根据自己的需求定制推荐。比如一个用户希望获得一份从A地到B地自驾游的推荐，“硬连线”的推荐算法便缺少这种将全过程相关物品聚合推荐的能力
- 改进对推荐系统评估的测度指标
四、总结
尽管是一篇发表在十多年前的文章，这篇论文中不少对推荐系统改进的建议已经成功实现，但还有很多设想对今天的推荐系统研究任然具有重要的启示。此外这篇文章还对基于内容过滤与协同过滤的原理进行了详细的数学上的描述，由于篇幅限制故本篇笔记中没有贴出。