信息推荐系统：研究内容与成果

信息推荐系统的研究内容和研究方向主要包括[25][26][27][28][29]:

(1)推荐技术和算法研究

推荐技术和算法是信息推荐系统的核心部分，推荐系统推荐质量的优劣是由所采用的推荐技术和相应算法决定的。目前推荐技术主要包括基于内容过滤的推荐技术和基于协同过滤的推荐技术两种。由于基于内容过滤技术自身的局限性，基于协同过滤的推荐技术是当前研究的主流。另外，随着研究的深入，统计分析、数据挖掘、深度学习、语义网等相关领域的技术在信息推荐系统中得到了广泛的应用，包括关联规则挖掘、聚类分析、贝叶斯模型、卷积神经网络(Convolutional Neural Network，CNN)、长短期记忆网络(Long Short-Term Memory，LSTM)以及领域本体等技术。通过应用相关技术，可以用于解决推荐系统算法设计中的某些难题，例如新用户问题、新项目问题和数据稀疏性等。目前，将数据挖掘、机器学习、深度学习和语义网等相关技术同推荐技术相结合，设计满足用户个性化需求的推荐算法，以提高信息推荐系统各方面性能是目前研究的主要内容之一。

(2)推荐质量研究

推荐质量是决定信息推荐系统能否成功应用的关键因素。由于信息推荐系统中用户评分数据具有高维和极端稀疏的特点，特别是对于用户不经常访问和使用的信息资源尤其如此。用户评分数据的高维和极端稀疏性使得推荐系统无法产生有效的推荐，从而使得推荐系统有效地产生推荐结果变得相对比较困难。因此，如何克服数据稀疏性，提高推荐质量是信息推荐系统研究的一个重要内容。另外，对于推荐质量的评价标准本身，研究人员也进行了相应的研究。

(3)实时性研究

伴随着信息推荐系统规模的不断扩大，数据都具有高维、海量的特点。由于对于用户的推荐是在线的，伴随着用户数据和信息资源数据量的越来越大，信息推荐的可扩展性和实时性的要求越来越难以保证。如何在不损失信息推荐系统的推荐精度的前提下，有效地满足推荐系统的实时性是目前研究人员关注的焦点之一。(www.xing528.com)

(4)多种数据多种技术的集成

当前大部分的信息推荐系统都只利用了部分可用信息来产生推荐，例如某类数据模型和某类技术方法，即信息推荐所采用的数据模型和技术均比较单一。这些单一的数据模型和技术在某一方面可能运行效果较好，但随着信息推荐系统应用环境和应用领域的变化，单一的数据模型和技术难以适应复杂、动态的推荐环境。因此，随着研究的深入，新型信息推荐系统应该利用尽可能多的信息，收集多种类型的数据模型，有效集成多种推荐技术；并且在不同的推荐环境和应用领域中，能够选择最有效的数据模型和技术产生推荐，从而为用户提供更加有效的信息推荐服务。

(5)用户隐私保护研究

由于信息推荐系统需要分析用户的购买习惯和兴趣爱好，这涉及了用户的隐私问题。用户隐私保护面临着两难问题:一方面，为了提高推荐结果的精确性与可用性，推荐系统需要尽可能大规模、高精确度地提取用户相关历史数据信息；另一方面，用户的历史数据给出的体量越大、越具体，其隐私暴露的风险就越大。因此，如何动态平衡推荐系统的精准可用和用户隐私保护也是目前信息推荐系统研究的内容之一。

(6)推荐系统的可解释性研究

信息推荐系统的目的是为用户提供服务，因此必须学会与用户沟通，了解用户认知和心理，并以用户容易接受的方式进行推荐。推荐结果的好坏除了可以对其准确度、实时性等指标进行评价外，系统对于推荐结果的可解释也逐渐成为提高用户体验的重要方法之一。用户对于推荐系统所推荐的内容往往存在疑惑，原因在于用户不清楚推荐系统是依据什么来给自己做出相应的推荐。可解释性能够帮助消解这些疑惑从而提高用户对推荐系统的信任度进而提高用户的忠诚度。不同的推荐解释会带给用户不一样的体验感受，直接影响到用户对推荐系统的满意程度和对推荐结果的信任程度。特别是在基于深度学习的信息推荐中，由于深度神经网络本身是一个“黑盒子”的原因，导致推荐结果的可解释性较差。因此，如何引入推荐系统的可解释机制，在保证推荐精准度的同时提高推荐结果的可解释性已成为信息推荐系统研究领域的热点之一。