矩阵分解出现之后的推荐系统综述

最近老板给了一篇2016年ACM的文章，是一篇有关推荐系统的综述，作者是写《Recommender Systems》的詹尼士大牛。文章分三部分：回顾推荐系统的一些卓越成果；矩阵分解引发的一些存在于推荐中的问题；提出一个全面的、综合的思考方法。

一、简短的历史回顾：

a、构建用户偏好：信息过滤的根基；

b、借助于其他人的观点；

c、应用于电子商务网站中；

d、矩阵的实现；

e、Netfix 大赛——使得推荐系统走向了一个高峰。

二、矩阵实现之上存在的问题：

a、矩阵实现格局的陷阱：并不是所有的产品和误差都是同等重要的。Netfix大赛使得大家伙一窝蜂的过分关注RMSE指标，其实在最近几年的真实的推荐过程中，更多地关注是产品排序，而不是分值预测，所以一些指标的使用要慎重；

b、除了准确性之外的推荐系统质量的影响因素：

新颖性、多样性、实际效用指标；

上下文信息：时间、地点、情绪、人格特性等；

用户之间的交互作用（短期偏好、偏好转移）；

操作阻力（如何识别灌水？使得系统很强健，可以抵抗一些恶意灌水）

信任性和忠诚（用户是否对推荐满意和信任，推荐的可解释性，建立一种长期的忠诚）

三、从算法到系统

近几年提出了各种算法，都说自己的方法很好，但为什么现有网站使用的推荐方法仍是最原始的推荐方法？研究推荐问题需要一个全面的视角：用户、提供服务的商家、推荐系统平台，这是一个三者交互、共同优化的过程。

a、从计算科学的视角：Whenever new technological proposals are made, we should ask which specific need or requirement in a given domain are addressed.

b、使用户处于不断循环之中：多关注人机交互，移动设备和可穿戴设备提供新思路，建立用户对系统的信任和忠诚；

c、从一个更全面的视角看待推荐任务：

总体目标是govern the selection and ranking of items;

A set of available actions centered on the presentation of recommended items 

Optimization timeframe.

推荐问题的定义：

The recommendation problem finally can be defined as : Find a sequence of conversational actions and item recommendations for each particular user that optimizes the overall goal over the specified timeframe.

推荐算法的实用性非常重要！