一、基本信息
论文题目： 《Hybrid Recommender Systems:Survey and Experiments》
论文发表时间： 2002,
论文作者及单位：Robin Burke(California State University)
我的评分：5颗星
二、研究背景与综述
推荐系统的功能是向用户推荐他们可能会购买或消费的物品，随着互联网的发展，推荐系统已经成为了电子商务领域内的一项基础性应用。有许多方法已经被应用到了给用户提供推荐的场景中，包括基于内容的、协同式方法、基于知识的等待一系列方法。为了提高性能，有时会将这些方法组合起来成为混合式推荐系统。这篇文章综述了已有的和可能会产生的混合式推荐系统，并且介绍了一个新型的混合式推荐系统的实例：EntreeC，它将基于知识的方法与协同过滤相结合用来推荐餐馆。此外，这篇文章还介绍了如何用从基于知识的方法获得的评分来增强协同过滤的效率。
三、论文的工作
1、简要介绍了五种不同的推荐系统方法，分别是：
- Collaborative：采用用户对商品的评分数据，计算用户之间相似度，在相似的用户之间推荐一方评价高另一方没买过的物品。
- Content-based：抽取商品的特征，推荐和用户已买商品相同或相似特征的商品。
- Demographic：获得用户人口统计学的信息等进行市场细分，按照市场细分中的群体进行推荐。
- Utility-based：基于商品对用户的效用进行推荐。
- Knowledge-based：存储商品的特征，以及这些特征分别满足用户何种需求的知识，而后基于与用户需求的匹配进行推荐。
2、阐述了各个方法的不足与局限，最普遍的问题是冷启动即“New User”和“New Item”，此外协同过滤等方法还存在数据稀疏和维度灾难等问题，而基于内容的推荐会面临消息闭环问题。随后提出了混合式推荐来解决这些问题。
3、混合式推荐系统的几种实现方式：
- Weighted：各个方法施加不同的权重进行混合来推荐一个单独的物品
- Swiching：设置一个开关，不同场合用不同方法
- Mixed：将不同方法得出的结果组合在一起推荐给用户
- Feature combination:特征结合方式，将不同推荐方法产生出的数据作为不同的特征打包在一起，再将这些特征输入另一个方法进行推荐
- Cascade:第一种方法产生一个粗糙的候选物品集合，第二种方法在对这个粗糙的集合进行精炼
- Feature augmentation:特征放大的方式将一个方法输出的特征作为另一个方法的输入
- Meta-level:第一种方法产生的模型作为下一种方法的输入，Feature augmentation方法是将模型生成的特征作为狭义的输入，而这里是将整个模型作为下一个的输入
4、详细介绍了一种新型混合式推荐系统Entree
四、总结
这篇综述是在推荐系统刚产生不久的早期发表的，该文对实现推荐系统的不同方法的原理和优缺点进行了较为深入的研究，并发现不同的推荐方法有着各自不同的优点和缺点，作者指出将不同的方法结合可以达到取长补短的效果，随后分析了7种不同的结合方式，结果如下：
