赵岩　刘宏伟

摘 要： 推荐系统是信息过滤系统领域的一个重要研究方向。随着信息技术的发展，推荐系统在提升用户体验和增加企业效益等方面发挥着越来越重要的作用。主流的推荐系统大多基于矩阵分解模型和深度学习模型，近年来又提出了基于记忆网络和集成学习的推荐系统为用户精确地推荐物品。本文将对基于矩阵分解、基于深度学习、基于记忆网络和基于集成学习的推荐系统进行分析和总结，展望未来的研究方向。

關键词： 推荐系统; 矩阵分解; 神经网络; 记忆网络; 集成学习

文章编号： 2095-2163（2021）07-0228-06中图分类号：TP393.01文献标志码： A

A survey on recommender systems

ZHAO Yan， LIU Hongwei

（School of Computer Science and Technology， Harbin Institute of Technology， Harbin 150001， China）

【Abstract】Recommender systems are an important research direction in the field of information filtering systems. With the development of information technology， recommender systems play an increasingly important role in improving user experience and increasing enterprise revenue. Most of the mainstream recommendation systems are based on matrix factorization models and deep learning models. In recent years， researchers have proposed recommender systems based on memory networks and ensemble learning to accurately recommend items for users. This paper summarizes and introduces matrix factorization based， deep learning based， memory network based， and ensemble learning-based recommender systems， and discusses future research directions.

【Key words】recommender system; matrix factorization; neural network; memory network; ensemble learning

0 引 言

随着信息技术的飞速发展，人们在购物和浏览信息方面有了更多的选择。但众多的选择也让用户很难从中挑选出符合自己偏好的物品或信息，从而降低了用户体验。根据 Netflix中的数据，如果用户无法在60～90 s内找到自己偏好的电影，其将失去观看电影的偏好。研究者们对推荐系统进行了大量的研究和广泛的部署，以便帮助用户快速、准确地选择物品。

推荐系统是一种信息过滤系统[1]，通过学习和预测用户的偏好，向用户推荐符合用户偏好的物品。目前，推荐系统在电子商务、在线观影和社交网络等许多领域中得到了广泛的应用，并为许多行业带来了巨大的效益。以电商行业为例，推荐系统为淘宝购物平台带来了50%的收益和网络流量;为著名购物平台Amazon带来了35%的销售额。2017年，中国人工智能协会和罗兰贝格共同发布了《中国人工智能创新应用白皮书》，预计推荐系统将为零售业带来约4 200亿元的降本增值。……