一、基本資訊

論文題目： 《Hybrid Recommender Systems:Survey and Experiments》

論文發表時間： 2002,

論文作者及單位：Robin  Burke(California State University)

我的評分：5顆星

二、研究背景與綜述

  推薦系統的功能是向用戶推薦他們可能會購買或消費的物品，隨著網際網路的發展，推薦系統已經成為了電子商務領域內的一項基礎性應用。有許多方法已經被應用到了給使用者提供推薦的場景中，包括基於內容的、協同式方法、基於知識的等待一系列方法。為了提高效能，有時會將這些方法組合起來成為混合式推薦系統。這篇文章綜述了已有的和可能會產生的混合式推薦系統，並且介紹了一個新型的混合式推薦系統的例項：EntreeC，它將基於知識的方法與協同過濾相結合用來推薦餐館。此外，這篇文章還介紹瞭如何用從基於知識的方法獲得的評分來增強協同過濾的效率。

三、論文的工作

1、簡要介紹了五種不同的推薦系統方法，分別是：

• Collaborative：採用使用者對商品的評分資料，計算使用者之間相似度，在相似的使用者之間推薦一方評價高另一方沒買過的物品。
• Content-based：抽取商品的特徵，推薦和使用者已買商品相同或相似特徵的商品。
• Demographic：獲得使用者人口統計學的資訊等進行市場細分，按照市場細分中的群體進行推薦。
• Utility-based：基於商品對使用者的效用進行推薦。
• Knowledge-based：儲存商品的特徵，以及這些特徵分別滿足使用者何種需求的知識，而後基於與使用者需求的匹配進行推薦。

2、闡述了各個方法的不足與侷限，最普遍的問題是冷啟動即“New User”和“New Item”，此外協同過濾等方法還存在資料稀疏和維度災難等問題，而基於內容的推薦會面臨訊息閉環問題。隨後提出了混合式推薦來解決這些問題。

3、混合式推薦系統的幾種實現方式：

• Weighted：各個方法施加不同的權重進行混合來推薦一個單獨的物品
• Swiching：設定一個開關，不同場合用不同方法
• Mixed：將不同方法得出的結果組合在一起推薦給使用者
• Feature combination:特徵結合方式，將不同推薦方法產生出的資料作為不同的特徵打包在一起，再將這些特徵輸入另一個方法進行推薦
• Cascade:第一種方法產生一個粗糙的候選物品集合，第二種方法在對這個粗糙的集合進行精煉
• Feature augmentation:特徵放大的方式將一個方法輸出的特徵作為另一個方法的輸入
• Meta-level:第一種方法產生的模型作為下一種方法的輸入，Feature augmentation方法是將模型生成的特徵作為狹義的輸入，而這裡是將整個模型作為下一個的輸入

4、詳細介紹了一種新型混合式推薦系統Entree

四、總結

這篇綜述是在推薦系統剛產生不久的早期發表的，該文對實現推薦系統的不同方法的原理和優缺點進行了較為深入的研究，並發現不同的推薦方法有著各自不同的優點和缺點，作者指出將不同的方法結合可以達到取長補短的效果，隨後分析了7種不同的結合方式，結果如下：